Predictive Maintenance im Mittelstand: Software vor Sensoren (2026)

Predictive Maintenance ist eines dieser Wörter, die auf Industriemessen seit zehn Jahren herumgehen. Alle nennen es, wenige implementieren es wirklich, und unter denen, die es implementieren, haben viele teure Sensoren gekauft, die heute Daten an ein Dashboard schicken, das niemand anschaut. Das Problem der Predictive Maintenance in einem mittelständischen Fertigungsbetrieb ist nicht die Technologie. Das Problem ist, dass niemand klar erklärt, dass der Wert nicht in den Sensoren liegt — er liegt in der Software, die sie interpretiert, und in den Entscheidungen die daraus entstehen.

Wir verkaufen keine IoT-Sensoren. Wir bauen die Software, die sie in etwas verwandelt, was es wert ist, dafür zu zahlen: präzise Vorhersagen von Ausfällen, automatisch generierte Wartungsaufträge, und ein Ersatzteillager, das weder voll noch leer ist. Dieser Artikel erzählt, wie Predictive Maintenance wirklich in einem mittelständischen Fertigungsbetrieb funktioniert, was übertrieben ist, und wo man am besten anfängt.

Was bedeutet "Predictive Maintenance" 2026

Es gibt drei Arten, die Wartung von Maschinen zu managen. Es lohnt sich, sie klarzustellen, weil die Verwechslung zwischen den dreien die Hauptursache für falsche Investitionen ist.

Predictive Maintenance 2026 kombiniert Betriebsdaten der Maschinen (Vibrationen, Temperatur, Stromaufnahme, Betriebsstunden) mit Machine-Learning-Modellen, die gelernt haben, wie eine gesunde Maschine "klingt" und wie eine, die kurz vor dem Bruch ist, "klingt". Wenn das Modell eine Abweichung sieht, die historischen Pre-Failure-Mustern ähnelt, sendet es eine Meldung.

In einem mittelständischen Betrieb ist diese Meldung nur dann wertvoll, wenn sie am richtigen Ort ankommt und eine konkrete Aktion produziert. Sonst ist es nur ein zusätzliches Diagramm im Leben dessen, der schon keine Zeit hat.

Das wahre Problem der KMU: Sensoren ohne Software

Ein durchschnittlicher Fertigungsbetrieb im DACH-Raum hat bereits Sensoren auf den Maschinen. Oft viele. Sie wurden in den letzten 5-8 Jahren installiert, weil ein Automatisierungsanbieter sie in einem Projekt mitgeliefert hat, oder weil es Fördermittel gab und jemand empfohlen hat, sie zu nutzen. Diese Sensoren produzieren Daten.

Das Problem ist, dass diese Daten:

• In ein Dashboard des Maschinenherstellers gehen, das niemand öffnet
• Oder in einer SPS landen, die sie nicht zur Verfügung stellt
• Oder in proprietären Formaten sind, die nur mit der Hersteller-Software sprechen

Die praktische Konsequenz: Das KMU hat bereits für den Hardware-Teil der Predictive Maintenance bezahlt, aber den Wert nie extrahiert. Wenn ein Unternehmen uns kontaktiert mit der Überzeugung "wir haben noch keine Sensoren", entdecken wir in 7 von 10 Fällen, dass die Sensoren da sind — was fehlt, ist die Zwischen-Software.

Drei reale Fälle von Predictive Maintenance in KMU

Die Zahlen sind aus Vertraulichkeitsgründen aggregiert, aber die Kontexte sind konkret und im DACH-Raum 1:1 übertragbar.

Fall 1 — Kunststoffspritzguss (Brescia, 28 Mitarbeiter, 6 Pressen)

Ausgangspunkt: 1-2 ungeplante Maschinenstillstände pro Monat, durchschnittliche Dauer 6-8 Stunden. Präventive Wartung alle 1.500 Betriebsstunden, aber die Brüche kamen trotzdem.

Was wir gebaut haben: Software, die Daten der 6 Pressen liest (bereits über OPC-UA aus der SPS verfügbar), Verlauf von Vibration, Hydrauliktemperatur und Spritzzyklus analysiert. Wenn sie eine signifikante Abweichung gegenüber dem normalen Muster dieser spezifischen Presse erkennt, generiert sie einen Wartungsauftrag im Produktions-ERP mit berechneter Priorität.

Ergebnis: ungeplante Stillstände um 70% reduziert in 8 Monaten. Präventive Eingriffe sind von 4/Jahr pro Presse auf 2-3/Jahr gesunken und sind zielgerichtet statt zeitbasiert.

Fall 2 — Präzisionsmechanikwerkstatt (Trento, 15 Mitarbeiter, 4 CNC-Bearbeitungszentren)

Ausgangspunkt: Werkzeuge wurden zeitbasiert (alle X Stunden) oder "nach Gefühl" des Operators ersetzt. Ergebnis: einige Werkzeuge weggeworfen obwohl noch nutzbar, andere während der Bearbeitung gebrochen mit Werkstückausschuss.

Was wir gebaut haben: KI-Agent, der Spindelaufnahmen und am Bearbeitungsende erkannte Oberflächenqualität überwacht. Schätzt für jedes Werkzeug die Restlebensdauer und bestellt Ersatz im Lager, wenn eine Woche bis zum prognostizierten Ende fehlt.

Ergebnis: Werkzeugkosten um 18% reduziert. Werkstückausschuss durch Werkzeugbruch um 91% reduziert. Das Werkzeuglager halbiert, weil jetzt "just in time" gekauft wird statt Vorräte zu halten.

Fall 3 — Lebensmittelproduktion (Verona, 40 Mitarbeiter, Verpackungslinie)

Ausgangspunkt: Die Verpackungslinie stoppte einmal pro Woche für 1-3 Stunden. Immer verschiedene Ursachen, nie vorhersehbar.

Was wir gebaut haben: Software, die Liniendaten (Geschwindigkeit, Alarme, durch Kamera erkannte Output-Qualität) mit historischen Wartungsdaten kreuzt. Sie hat identifiziert, dass 60% der Stillstände auf 3 spezifische Komponenten zurückzuführen sind. Für diese Komponenten hat sie kontinuierliches Monitoring und automatische Generierung von Eingriffen vor dem Ausfall implementiert.

Ergebnis: Linienstillstände um 55% reduziert in 6 Monaten. Der KI-Agent "lernt" jetzt andere Arten von Stillständen und fügt sie dem prädiktiven Monitoring hinzu.

Was kostet Predictive Maintenance für ein mittelständisches Unternehmen

Der Preis hängt massiv von einer Sache ab: haben Sie bereits Sensoren oder nicht?

Die laufenden Ausführungskosten (Cloud-Server, ML-Modelle, Wartung) liegen typisch bei 200-800 Euro pro Monat für ein KMU mit 5-15 überwachten Maschinen.

Die Regel, die wir anwenden: Der erwartete Projektwert muss mindestens 3-mal die Gesamtinvestition in den ersten 2 Jahren sein. Wenn man dort nicht hinkommt, machen wir das Projekt nicht.

Wie man mit Predictive Maintenance beginnt: die 4 Schritte

Auch hier keine 18-Monats-Projekte. Man startet chirurgisch.

Schritt 1 — Den teuersten Stillstand identifizieren (2 Wochen) Historische Wartungsdaten analysieren und den Ausfall identifizieren, der jährlich am meisten kostet (Stillstand + Ersatzteile + Ausschuss). Der erste Predictive-Maintenance-Agent wird nur für diesen Ausfall gebaut.

Schritt 2 — Verfügbare Daten prüfen (1 Woche) Technische Prüfung der betroffenen Maschinen. Fast immer gibt es bereits extrahierbare Daten. Wenn sie wirklich fehlen, plant man eine gezielte Installation nur an dieser Maschine.

Schritt 3 — Erstes Modell bauen (2-3 Monate) Daten für 4-8 Wochen im "Shadow"-Modus sammeln (beobachtet aber agiert nicht), ML-Modelle trainieren, gegen reale historische Ausfälle validieren.

Schritt 4 — In Produktion bringen, zuerst supervised (2 Wochen) Das System beginnt Meldungen zu generieren, aber für die ersten 2-4 Wochen gehen die Meldungen nur an den Wartungsverantwortlichen, der Fall für Fall bewertet. Wenn die Genauigkeit über 90% stabil ist (False Positives unter 10%), wechselt man zur automatischen Generierung von Wartungsaufträgen.

Wann Predictive Maintenance KEINEN Sinn macht

• Auf alten Maschinen mit niedrigen Eingriffskosten (€500-1.000) und beherrschbaren Stillständen
• Wenn der Ausfall alle 2-3 Jahre einmal auftritt (Volumen reicht nicht, um Modelle zu trainieren)
• Wenn im Unternehmen keine strukturierte Wartungsfunktion existiert, die Meldungen empfängt und verwaltet
• Wenn der Produktionsplan so flexibel ist, dass ein ungeplanter Stillstand nichts kostet

Der häufigste Fehler ist, Predictive Maintenance "für Uniformität" auf allen Maschinen zu installieren. Es funktioniert besser auf 2-3 kritischen Maschinen, die sich schnell amortisieren, und wird nach dem Sehen der Ergebnisse erweitert.

Der Blickwinkel, den generalistische Technologieagenturen verlieren

Die großen Predictive-Maintenance-Anbieter (IBM, SAP, GE) verkaufen Lösungen, die für Enterprise-Anlagen gedacht sind: Raffinerien, Kraftwerke, Automotive Tier 1. Die Technologie ist exzellent. Preis und Komplexität sind für ein deutschsprachiges KMU mit 15-50 Mitarbeitern unzugänglich.

Für ein KMU ist das Problem nicht "OEE auf 200 Maschinen optimieren". Das Problem ist "die Produktion nicht am Dienstagabend stoppen, wenn der Kunde die Donnerstagslieferung erwartet". Es braucht Lösungen, die zum Kontext proportional sind. Und es braucht jemanden, der versteht, dass Predictive Maintenance in einem KMU zuerst eine organisatorische Frage ist — wer empfängt die Meldung, wer entscheidet, wie schließt sich der Kreis — und erst danach eine Frage von ML-Modellen.

Häufig gestellte Fragen zu Predictive Maintenance im Mittelstand

Was kostet Predictive Maintenance für ein KMU?

Für ein deutschsprachiges KMU 2026 variiert die Investition stark je nach Ausgangslage. Wenn die Sensoren bereits installiert sind und Daten verfügbar sind (häufiger Fall in deutscher Fertigung), beträgt die Software-Investition €15.000-30.000. Wenn Sensoren auf 2-4 kritischen Maschinen zu installieren sind, steigt es auf €25.000-50.000 insgesamt. Laufende Cloud + Modell-Kosten typisch €200-800/Monat für 5-15 Maschinen.

Was sind die realen Vorteile von Predictive Maintenance?

Messbare Vorteile in realen Fällen bei KMU: Reduktion 50-70% der ungeplanten Maschinenstillstände, Reduktion 15-25% der Gesamtwartungskosten (nur wenn nötig interveniert wird), Reduktion 30-50% der Ersatzteilbestände dank Just-in-Time-Bestellungen, Reduktion bis 90% des Ausschusses durch Werkzeug- oder Komponentenbruch.

Braucht man IoT-Sensoren für Predictive Maintenance?

Nicht immer. Viele deutschsprachige Fertigungsbetriebe haben bereits aus SPS extrahierbare Daten über OPC-UA, MQTT oder periodisch exportierte CSV-Dateien. In diesen Fällen braucht man keine neuen Sensoren — man braucht nur die Software, die existierende Daten liest, normalisiert und analysiert. Wenn Sensoren wirklich fehlen, ist es besser, sie gezielt auf 1-2 kritischen Maschinen zu installieren statt auf der ganzen Anlage.

Wie lange dauert die Implementierung von Predictive Maintenance im KMU?

Typisch 4-6 Monate für einen ersten Predictive-Maintenance-Agenten auf einer kritischen Maschine, davon 4-8 Wochen im "Shadow Mode" zum Datensammeln und Modelltraining, dann 2-4 Wochen im "Supervised Mode" vor dem Wechsel zur automatischen Generierung von Eingriffen. End-to-End-Projekte auf 10+ Maschinen brauchen 6-12 Monate.

Erfordert Predictive Maintenance den Austausch alter Maschinen?

Nein, in den allermeisten Fällen. Predictive Maintenance basiert auf Daten. Eine alte Maschine, die jedoch Daten produziert (auch nur Analogsignale von einer externen Schnittstelle gelesen), kann überwacht werden. Komplett "stille" Maschinen ohne Möglichkeit, Daten zu extrahieren, sind in modernen deutschsprachigen KMU selten. Wenn sie existieren, ist es besser, gezielte externe Sensoren hinzuzufügen, statt die Maschine zu ersetzen.

Kann man Predictive Maintenance ohne strukturiertes Wartungsteam machen?

Technisch ja, aber das Ergebnis wird mittelmäßig sein. Predictive Maintenance produziert Meldungen: ohne jemanden, der sie empfängt, bewertet und den Eingriff organisiert, geht der Wert verloren. Vor der Investition lohnt es sich zu prüfen, dass mindestens eine Wartungsverantwortliche Person existiert, die den Zyklus des Meldungsmanagements übernehmen kann.

Wenn Sie Maschinen haben, die Daten produzieren, aber Ihr Wartungsverantwortlicher keine nützlichen Meldungen erhält, ist das Problem wahrscheinlich nicht der Mangel an Sensoren. Es ist die Zwischen-Software. Erzählen Sie uns, wie Sie heute die Wartung managen und wir sehen, ob es lohnt, etwas zu bauen.

Lesen Sie auch die komplette Anleitung zu KI-Agenten für Unternehmen, KI im Marketing für Unternehmen und ERP für den Mittelstand mit KI-Erweiterung.