Die Frage kommt fast immer nach dem gleichen Muster.
Wir sitzen beim ersten Gespräch mit IT-Leitern aus dem Maschinenbau. Die S/4HANA-Migration läuft gerade oder ist frisch abgeschlossen. Budgets sind strapaziert, das Team ist erschöpft vom Rollout. Und dann sagt der CDO oder CEO: „Jetzt müssen wir mit KI anfangen."
Der IT-Leiter denkt: „Nicht schon wieder ein Großprojekt."
Beide haben recht. Und beide liegen falsch.
Die Migration war der Aufwand. Die KI ist die Auszahlung. Aber nur, wenn man es richtig angeht - und damit meinen wir nicht das nächste Transformationsprogramm, sondern modulare, messbare Schritte, die Ihre SAP-Infrastruktur nutzen, ohne sie anzufassen.
80% der Maschinenbauunternehmen in der DACH-Region haben KI auf der Vorstandsagenda. Weniger als 15% haben konkrete Pilotprojekte gestartet. Die Lücke liegt nicht am Willen - sie liegt an fehlender Orientierung: Was kommt nach S/4HANA, in welcher Reihenfolge, mit welchem Aufwand?
Dieser Artikel gibt Ihnen diese Orientierung.
Warum S/4HANA-Migrationen den perfekten KI-Einstieg schaffen
Das klingt kontraintuitiv, aber es ist analytisch korrekt: Unternehmen, die gerade S/4HANA eingeführt haben, sind für KI besser positioniert als solche, die nie migriert haben.
Warum?
Saubere Datenbasis. S/4HANA-Migrationen erzwingen Datenbereinigung - veraltete Materialstämme, doppelte Lieferanten, inkonsistente Qualitätsdaten werden konsolidiert. Das war schmerzhaft, aber notwendig. Und saubere, strukturierte Daten sind der wichtigste Rohstoff für jedes KI-Modell.
Standardisierte Schnittstellen. S/4HANA bietet OData- und REST-APIs, die deutlich einfacher anbindbar sind als R/3-Altarchitekturen. KI-Komponenten laufen außerhalb des SAP-Kerns und werden sauber über diese Schnittstellen angebunden - ohne SAP-Kern-Modifikationen.
Klare Prozesslandkarte. Der Aufräumprozess der Migration hat dokumentiert, welche Prozesse tatsächlich laufen. Diese Klarheit ist Grundvoraussetzung für seriöse Use-Case-Priorisierung.
Kurz: Ihre S/4HANA-Migration hat das Fundament gelegt. KI ist das erste Stockwerk - nicht das nächste Großprojekt.
Die drei KI-Use-Cases mit höchstem ROI im Maschinenbau
Nicht jede KI-Anwendung passt für jeden Betrieb. Aber in 15 Jahren mit Fertigungsunternehmen haben sich drei Bereiche als konsistent wertvoll erwiesen - messbar, schnell implementierbar, SAP-kompatibel.
1. Predictive Maintenance auf SAP PM + MES-Daten
Das Problem: Maschinenstillstände kosten im Mittelstandsmaschinenbau 15.000-50.000 EUR pro Stunde. Zeitplan-basierte Wartung verschwendet Ressourcen. Reaktive Wartung kostet am meisten.
Die KI-Lösung: Ein ML-Modell trainiert auf Sensordaten (Vibration, Temperatur, Laufleistung) und SAP PM-Historien erkennt Ausfallmuster 2-6 Wochen vor dem tatsächlichen Ausfall. Die Integration erfolgt über die SAP PM Notification API - kein Eingriff in den SAP-Kern.
Was das bringt: 15-30% Reduktion ungeplanter Stillstände. Break-even typischerweise nach 8-14 Monaten.
DSGVO-Konformität: Maschinendaten sind keine personenbezogenen Daten - der Datenschutz-Aufwand ist gering. Einer der Gründe, warum Predictive Maintenance der optimale Einstieg ist.
2. KI-gestützte Qualitätskontrolle - SAP QM + Computer Vision
Das Problem: Visuelle Qualitätsprüfung läuft in vielen Maschinenbaubetrieben noch manuell - ressourcenintensiv, fehleranfällig, nicht skalierbar bei wachsenden OEM-Qualitätsanforderungen.
Die KI-Lösung: Computer Vision-Modelle erkennen Defekte in Echtzeit an der Produktionslinie mit einer Präzision, die manuelle Prüfung bei Hochvolumenteilen nicht erreicht. SAP QM liefert Fehlerhistorien und Qualitätsstandards als Trainingsdaten. Ergebnisse werden automatisch als QM-Notifications zurückgeschrieben.
Was das bringt: 30-50% weniger Ausschuss, messbare Reduktion der Nacharbeitskosten, lückenlose Rückverfolgbarkeit für OEM-Audits.
Zeitrahmen: 8-12 Wochen bis Produktionspilot, 4-8 Wochen Trainingsphase mit Ihren Produktionsdaten.
3. Intelligente Bedarfsplanung - SAP PP/MM + Forecasting-KI
Das Problem: SAP-Standardplanung mit starren Horizonten und historischen Durchschnittswerten liefert bei volatilen Märkten und langen Lieferketten systematisch schlechte Ergebnisse. Überlagerbestände binden Kapital. Unterbestände gefährden Lieferzusagen.
Die KI-Lösung: ML-basierte Zeitreihenprognosen auf historischen SAP-Auftrags- und Lagerdaten, angereichert mit externen Signalen (Marktindizes, Kundensignale, Logistik-Lead-Times). Das Modell ersetzt nicht den SAP-Disponenten - es gibt ihm bessere Eingangsdaten.
Was das bringt: 15-25% weniger Lagerkosten, 20-30% Verbesserung der Liefertermintreue - beides messbar direkt über SAP-Standardberichte.
Die Architekturfrage: SAP Joule, BTP oder Custom KI?
Wenn Fertigungsunternehmen über KI + SAP sprechen, kommt früh die Frage: SAP-native Lösungen (Joule, BTP) oder Custom AI außerhalb von SAP?
Unsere Antwort nach 150+ Projekten: Es hängt von Ihrem Use Case ab - und jeder, der Ihnen eine andere Antwort gibt, hat Ihre Situation nicht vollständig verstanden.
SAP Joule / Embedded AI: Richtig für SAP-native Workflows (Dokumentensuche, Guided Processes im ERP). Falsch für produktionsspezifische ML-Modelle auf Sensordaten - dafür ist Joule konzeptionell nicht ausgelegt.
SAP BTP: Leistungsfähig, aber mit erheblichen Lizenzkosten und langer Implementierungskurve. Empfehlenswert, wenn bereits BTP-Investitionen existieren und ein umfangreicheres Ökosystem geplant ist.
Custom KI außerhalb von SAP: Maximale Flexibilität. Keine SAP-Lizenzabhängigkeit. Anbindung über SAP OData-APIs. Das ist der Ansatz, den wir für die meisten Mittelstands-Maschinenbau-Projekte empfehlen - und der in 8-12 Wochen zum Produktionspilot führt.
Die Entscheidung hängt nicht von Präferenzen ab. Sie hängt von Ihrem Use Case, Ihrer Datenstruktur und Ihrer Datensouveränitäts-Strategie ab. Diese Analyse gehört zum ersten Schritt jedes seriösen KI-Projekts.
DSGVO im Maschinenbau: Was anders ist als in anderen Branchen
Maschinenbauunternehmen haben einen Vorteil: Produktionsdaten (Sensordaten, Maschinenzustände, Fertigungsparameter) sind in der Regel keine personenbezogenen Daten. Das vereinfacht die DSGVO-Compliance erheblich.
Es gibt Ausnahmen, die Sie kennen müssen:
Schicht- und Produktionszuordnung: Wenn KI-Systeme mit Daten arbeiten, die einzelnen Schichten oder Mitarbeitern zuordenbar sind, greifen DSGVO-Anforderungen - auch wenn die Zuordnung indirekt ist.
Lieferantendaten: Bei KI-Risikoanalysen auf Lieferantenbasis müssen Auftragsverarbeitungsverträge (AV-Verträge) geprüft werden, sofern personenbezogene Lieferantendaten verarbeitet werden.
EU AI Act ab August 2026: Systeme zur Anomalieerkennung in sicherheitsrelevanten Produktionsprozessen können als "High Risk AI" eingestuft werden. Für Maschinenbauunternehmen ist das besonders relevant - eine frühzeitige Compliance-Analyse spart erheblichen Nachaufwand.
Alle unsere Projekte werden DSGVO-first konzipiert: Trainingsdaten, KI-Modelle und Inferenz-Endpunkte in Deutschland oder der EU - keine US-Hyperscaler für Produktionsdaten. Das ist kein Feature. Es ist unsere technische Grundvoraussetzung.
Der Zeitplan: Wie lange dauert KI nach S/4HANA wirklich?
Die häufigste Frage von IT-Leitern, die gerade eine S/4HANA-Migration hinter sich haben: „Sprechen wir wieder von zwei Jahren?"
Nein. Modular umgesetzt:
| Phase | Inhalt | Dauer |
|---|---|---|
| KI-Readiness Assessment | Datenlage prüfen, Use-Case-Priorisierung nach ROI, DSGVO-Check | 2 Wochen |
| Architekturdesign | Technische Spezifikation, SAP-Schnittstellen-Mapping, EU-Hosting-Konzept | 1-2 Wochen |
| Modellentwicklung + SAP-Integration | Training, Validierung, Anbindung via OData/REST | 4-8 Wochen |
| Pilot in Produktion | Messbare Ergebnisse, reale Produktionsdaten | ab Woche 8-12 |
Das ist kein SAP-Programm. Es ist ein definierter, reversibler Pilot - Time & Material, 150 EUR/Stunde blended rate. Wenn der Business Case nicht aufgeht, stoppen wir nach dem Assessment. Wenn er aufgeht, skalieren wir schrittweise.
Warum jetzt das richtige Timing ist
S/4HANA-Migrationen öffnen ein Zeitfenster. Unmittelbar nach der Migration ist die Datenqualität am besten, die Prozesse sind dokumentiert und die organisatorische Aufmerksamkeit für Digitalisierung ist hoch.
Dieses Fenster schließt sich: Legacy-Prozesse wachsen zurück, neue Prioritäten verdrängen das Thema, der nächste SAP-Release-Zyklus steht an.
Fertigungsunternehmen, die jetzt beginnen, sammeln bis Ende 2026 12-18 Monate operationale KI-Erfahrung mehr als ihre Wettbewerber. In einem Markt, in dem Automatisierungseffizienz zunehmend über Margen entscheidet, ist das ein messbarer Wettbewerbsvorteil - kein theoretischer.
Nächster Schritt: KI-Readiness Assessment für SAP-Fertigungsumgebungen
Unser Assessment zeigt Ihnen in 2 Wochen konkret:
- Welche 3 KI-Use-Cases den besten ROI in Ihrer SAP-Landschaft liefern
- Wo Ihre Produktions- und SAP-Daten KI-tauglich sind - und wo zuerst Datenqualität verbessert werden muss
- Wie ein DSGVO-konformer Pilot in 8-12 Wochen für Ihr Unternehmen konkret aussieht