95 % der Produktionsaufgaben im Mittelstand laufen noch manuell. Gleichzeitig versprechen Predictive-Maintenance-Vendoren, dass ihre Sensoren und KI-Modelle ungeplante Stillstände eliminieren. Das passt nicht zusammen. Predictive Maintenance im Mittelstand ist eines der am meisten überverkauften und gleichzeitig am meisten unterschätzten Themen der letzten fünf Jahre. Überverkauft, weil die Versprechungen der Technologieanbieter die Realität in den meisten Fabriken ignorieren. Unterschätzt, weil der tatsächliche Hebel dort liegt, wo kaum jemand hinschaut: bei den Prozessen rund um die Instandhaltung.

Unternehmen, die Predictive Maintenance als Technologieprojekt starten, scheitern in über der Hälfte der Fälle. Unternehmen, die es als Prozessprojekt starten, erreichen messbare Ergebnisse in unter einem Jahr. Der Unterschied liegt nicht in der Technik. Er liegt in der Reihenfolge.

Das Versprechen vs. die Realität

Die Vendoren-Präsentation sieht so aus: Sensoren an der Maschine messen Vibration, Temperatur, Stromaufnahme. Ein KI-Modell analysiert die Daten in Echtzeit. Drei Wochen bevor das Lager versagt, kommt ein Alert. Der Instandhalter tauscht das Teil im nächsten geplanten Stillstand. Kein ungeplanter Ausfall. Kein Produktionsverlust. Klingt perfekt.

Die Realität in einem Fertigungsunternehmen mit 250 Mitarbeitern, das wir begleitet haben, sah anders aus. Die Sensoren waren installiert. Die Daten flossen. Das KI-Modell lief. Aber niemand wusste, was er mit den Alerts machen sollte. Die Instandhaltung arbeitete nach wie vor reaktiv — weil es keinen definierten Prozess gab, der einen Predictive-Alert in eine geplante Maßnahme überführte. Die Alerts landeten im E-Mail-Postfach des Instandhaltungsleiters, zwischen Urlaubsanträgen und Lieferantenangeboten. Nach sechs Monaten hatte das Team mehr Vertrauen in die Erfahrung des alten Meisters als in die KI.

Das Kernproblem ist strukturell. Predictive Maintenance ist ein Technologiekonzept, das auf einem Prozessfundament stehen muss, das in den meisten mittelständischen Fertigungsbetrieben nicht existiert. Automatisierung ohne Prozessklarheit scheitert — und Predictive Maintenance ist eine spezielle Form der Automatisierung.

Wann sich Predictive Maintenance wirklich lohnt

Nicht jede Maschine braucht Predictive Maintenance. Nicht jeder Betrieb braucht es. Die ehrliche Antwort auf die Frage „Lohnt sich das?“ ist: Es kommt darauf an. Und zwar auf drei Variablen.

Wenn alle drei Variablen positiv ausfallen, ist Predictive Maintenance ein klarer Hebel. Wenn nur eine oder zwei zutreffen, gibt es oft günstigere Alternativen: eine konsequente präventive Instandhaltung auf Basis definierter Wartungsintervalle, besser dokumentierte Störungshistorien oder schlicht ein strukturierter Instandhaltungsprozess, der die Erfahrung der Mitarbeiter systematisch erfasst statt sie in Köpfen verschwinden zu lassen.

Die richtige Reihenfolge: Prozess vor Sensor

Das 3-Layer Framework gibt die Reihenfolge vor, die auch für Predictive Maintenance gilt. Layer 1: Den Instandhaltungsprozess verstehen und dokumentieren. Layer 2: Datenerfassung automatisieren. Layer 3: Auf Basis der Daten steuern und vorhersagen.

In der Praxis bedeutet Layer 1 für die Instandhaltung: Welche Anlagen haben wir? Welche Ausfallhistorie gibt es? Welche Wartungsintervalle sind definiert — und welche werden tatsächlich eingehalten? Wer ist zuständig? Welche Ersatzteile sind bevorratet? Wie lange dauert es vom Störungseintritt bis zur Behebung?

Die meisten mittelständischen Fertigungsbetriebe können diese Fragen nicht vollständig beantworten. Und das ist kein Vorwurf — es ist der Normalzustand. Aber es ist auch der Grund, warum Predictive Maintenance als Technologieprojekt scheitert. Wenn Sie nicht wissen, wie Ihre Instandhaltung heute funktioniert, können Sie sie nicht vorhersagend steuern.

Ein Maschinenpark mit 80 Anlagen in einem Unternehmen, das wir analysiert haben, hatte Wartungspläne für 31 Anlagen. Die anderen 49 liefen nach dem Prinzip „reparieren, wenn es kaputtgeht“. Die Prozessdokumentation der Instandhaltung umfasste sechs Seiten — erstellt 2018, seitdem unverändert. Die tatsächlichen Abläufe hatten sich dreimal geändert, ohne dass jemand die Dokumentation aktualisiert hatte.

Der pragmatische Einstieg: Condition Monitoring statt KI

Wer Predictive Maintenance im Mittelstand einführen will, muss nicht mit Machine Learning anfangen. Der pragmatische Einstieg heißt Condition Monitoring: einfache Schwellenwerte auf Basis von Sensordaten. Temperatur über 80 Grad? Alert. Vibration über dem definierten Grenzwert? Alert. Das ist keine KI. Das ist regelbasiertes Monitoring. Und es funktioniert.

In dem erwähnten Fertigungsunternehmen begann das Team mit Condition Monitoring an den fünf kritischsten Anlagen — denjenigen mit den höchsten Ausfallkosten. Die Investition: 12.000 Euro für Sensoren und Anbindung ans Leitsystem. Innerhalb von vier Monaten wurden zwei Ausfälle verhindert, die zusammen geschätzte 45.000 Euro Produktionsverlust verursacht hätten.

Erst nach einem Jahr Condition Monitoring, mit einer belastbaren Datenbasis und einem funktionierenden Instandhaltungsprozess, wurde das System um prädiktive Modelle erweitert. Die Daten aus dem Condition Monitoring dienten als Trainingsdaten. Die Modelle konnten auf tatsächliche Betriebsbedingungen trainiert werden, nicht auf Labordaten oder Herstellerangaben. Das ist der Unterschied zwischen einem System, das funktioniert, und einem System, das beeindruckend aussieht.

Der Business Case: So rechnet sich Predictive Maintenance

Die ROI-Berechnung für Predictive Maintenance folgt einer klaren Logik. Auf der Kostenseite stehen: Sensoren, IT-Integration, ggf. Plattformlizenz, Schulung und der interne Aufwand für die Prozessanpassung. Auf der Nutzenseite stehen: vermiedene ungeplante Stillstände, reduzierte Ersatzteilkosten (weil nicht mehr prophylaktisch getauscht wird), verlängerte Anlagenlebensdauer und reduzierter Personaleinsatz in der reaktiven Instandhaltung.

In der Praxis sehen wir Amortisationszeiten von 6 bis 18 Monaten — vorausgesetzt, die Voraussetzungen stimmen. Unternehmen, die ohne Prozessfundament starten, erreichen den ROI oft gar nicht, weil die Implementierungskosten explodieren und die Adoption im Team scheitert.

Der Business Case für die Automatisierung muss deshalb immer die Prozesskosten einbeziehen. Wer nur die Technologiekosten gegen die Ausfallkosten rechnet, unterschätzt den Implementierungsaufwand systematisch. Layer 1 und Layer 2 des Frameworks sind keine optionalen Vorbereitungsschritte. Sie sind Teil des Investments — und Teil des Returns.

Fünf Fehler, die Predictive-Maintenance-Projekte im Mittelstand scheitern lassen

Erstens: Zu viele Anlagen gleichzeitig. Der Impuls, den gesamten Maschinenpark auf einmal auszustatten, ist verständlich, aber falsch. Starten Sie mit den 3–5 Anlagen mit den höchsten Ausfallkosten. Beweisen Sie den Nutzen, dann skalieren Sie.

Zweitens: Kein definierter Prozess für den Alert-Fall. Was passiert, wenn das System „Lagerversagen in 14 Tagen“ meldet? Wer entscheidet? Wer bestellt das Ersatzteil? Wer plant den Stillstand? Ohne Antworten auf diese Fragen sind Alerts wertlos. Wer seine Prozesse nicht klar definiert hat, kann nicht auf Vorhersagen reagieren.

Drittens: Unrealistische Erwartungen. Predictive Maintenance reduziert ungeplante Stillstände. Es eliminiert sie nicht. Ein realistischer Zielwert für das erste Jahr: 30–50 % Reduktion. Nicht 100 %.

Viertens: Datenhygiene ignorieren. Sensorendaten sind nur so gut wie ihre Kalibrierung und Kontextualisierung. Ein Temperatursensor, der nicht weiß, ob die Maschine unter Volllast oder im Leerlauf läuft, liefert nutzlose Daten.

Fünftens: Das Team nicht mitnehmen. Instandhalter mit 20 Jahren Erfahrung reagieren nicht gut auf die Aussage „Die KI weiß es besser.“ Erfolgreiche Implementierungen positionieren Predictive Maintenance als Werkzeug, das die Erfahrung der Mitarbeiter ergänzt, nicht ersetzt. KI ersetzt keine Expertise — sie verstärkt sie.

Ausblick: Wohin sich Predictive Maintenance im Mittelstand entwickelt

Zwei Entwicklungen verändern das Feld. Erstens werden Sensoren günstiger und einfacher zu integrieren. Was vor drei Jahren noch eine Investition von 50.000 Euro pro Anlage bedeutete, ist heute für einen Bruchteil umsetzbar. Zweitens liefern die Maschinensteuerungen selbst zunehmend Daten, die für Condition Monitoring und prädiktive Modelle nutzbar sind — ohne zusätzliche Sensorik. Die Einstiegshürde sinkt.

Für den Mittelstand bedeutet das: Der richtige Zeitpunkt, die Grundlagen zu schaffen, ist jetzt. Nicht weil Predictive Maintenance sofort implementiert werden muss, sondern weil Unternehmen, die ihre Instandhaltungsprozesse heute dokumentieren, ihre Störungshistorien digital erfassen und ihre Prozesskennzahlen messen, in 12 Monaten diejenigen sein werden, die Predictive Maintenance produktiv nutzen können. Die anderen werden immer noch Anlagen reparieren, die gerade kaputtgegangen sind.

Die Frage ist nicht, ob Predictive Maintenance ein Hype ist. Der Hebel ist real. Die Frage ist, ob Ihr Instandhaltungsprozess reif genug ist, um diesen Hebel zu nutzen. Wer seine Prozesse nicht kennt, kann seine Anlagen nicht vorhersagen. Und wer seine Anlagen nicht vorhersagen kann, repariert weiter im Feuerwehr-Modus.