Warum Predictive Maintenance in 70 Prozent der KMU scheitert

Predictive Maintenance gilt als Heilsbringer der industriellen Instandhaltung. McKinsey verspricht Stillstandsreduktionen von 30 bis 50 Prozent. Das US Energieministerium prognostiziert Einsparungen von 8 bis 12 Prozent gegenüber präventiver Wartung. Doch in der Praxis des deutschen Mittelstands sieht das anders aus. Vier von fünf Digitalisierungsprojekten scheitern laut einer Accenture Studie. 70 Prozent aller Störungen werden nach wie vor manuell gemeldet. Und die meisten Predictive Maintenance Projekte in KMU werden nach wenigen Monaten abgebrochen. Bei NaveSight haben wir in über 200 Mittelständlern analysiert, warum das so ist. Dieser Einblick zeigt die fünf Bruchstellen, die wir identifiziert haben. Er erklärt, warum die klassische Herangehensweise für KMU nicht funktioniert. Und er zeigt, wie unsere Intelligenz-Schicht einen anderen Weg ermöglicht: PdM Light.

Die Lüge der vorausschauenden Wartung

Die Industrie hat Predictive Maintenance zum Buzzword erhoben. Jeder zweite Messestand verspricht, Ausfälle vorherzusagen. Jeder Berater empfiehlt Sensorik und Machine Learning. Doch was in Großunternehmen mit dedizierten Data Science Teams funktioniert, stößt im Mittelstand an harte Grenzen. Die Muster-Erkennung in historischen Störungsdaten zeigt, dass 46 Prozent aller Instandhaltungstätigkeiten nach wie vor reaktiv erfolgen. Der Median liegt bei vier ungeplanten Notfalleinsätzen pro Woche. Ungeplante Ausfallzeiten kosten globale Industrieunternehmen bis zu 1,4 Billionen US Dollar pro Jahr.

Die Lüge besteht darin, dass Predictive Maintenance als Plug and Play Lösung verkauft wird. Man kauft Sensoren, installiert Software, trainiert Modelle und die Maschinen laufen wie von Zauberhand. Das ist eine Fiktion. Predictive Maintenance erfordert eine Dateninfrastruktur, eine Qualitätskultur und ein Personal, über das die meisten KMU nicht verfügen. Die Wissensbasis für eine funktionierende vorausschauende Wartung umfasst nicht nur Sensordaten. Sie umfasst Betriebshistorien, Wartungsprotokolle, Ersatzteillisten, Maschinenbücher und das implizite Wissen der Instandhaltungsmitarbeiter. Eine Rules Engine kann aus diesen Daten sinnvolle Muster extrahieren. Doch dazu müssen die Daten erst einmal vorhanden und strukturiert sein. Bei den meisten KMU ist das nicht der Fall. Und genau hier setzt die NaveSight Herangehensweise an.

Die fünf Bruchstellen: Was wir in über 200 Mittelständlern gefunden haben

Bei NaveSight haben wir ein Muster identifiziert. Predictive Maintenance scheitert in KMU nicht an einem einzelnen Problem, sondern an fünf miteinander verknüpften Bruchstellen. Jede Bruchstelle für sich ist ein Hindernis. Zusammen bilden sie ein System, das klassisches PdM zum Scheitern verurteilt.

Bruchstelle 1: Die Sensorlücke

Predictive Maintenance setzt Sensordaten voraus. Vibration, Temperatur, Öldruck, Motorstrom. Doch der typische Mittelständler betreibt Maschinen, die 10, 20 oder 30 Jahre alt sind. Diese Maschinen haben keine Sensoren. Eine nachträgliche Sensorisierung kostet pro Maschine 2.000 bis 10.000 Euro. Bei 50 Maschinen sind das 100.000 bis 500.000 Euro allein für die Hardware. Die Middleware verbindet Sensoren mit der Analyseplattform. Doch wenn es keine Sensoren gibt, verbindet die Middleware nichts. Die Sensorlücke betrifft 90 Prozent der KMU in Deutschland. Sie ist die erste Bruchstelle, weil sie die Datengrundlage zerstört, auf der jedes PdM-Modell aufbauen muss.

Bruchstelle 2: Die Datenqualitätsfalle

Selbst wenn Sensoren vorhanden sind, fehlt es an qualitativ hochwertigen historischen Daten. Predictive Maintenance Modelle brauchen Hunderte oder Tausende von Störungsereignissen, um zuverlässige Muster zu erkennen. Doch 70 Prozent aller Störungen werden manuell gemeldet, oft ohne Aufzeichnung oder Standardisierung. Die Protokolle liegen in Excel Tabellen, auf Papier oder im Kopf einzelner Mitarbeiter. Ein Machine Learning Modell kann nur so gut sein wie die Daten, auf denen es trainiert wird. Bei schlechten Daten produziert es schlechte Vorhersagen. Das führt zu falschen Alarmen, zu verpassten Warnungen und zum Vertrauensverlust der Mitarbeiter. Wenn ein erfahrener Instandhalter in Rente geht, nimmt er sein Wissen mit. Die Wissensbasis des Unternehmens schrumpft. Die Muster-Erkennung der KI hat keine Grundlage mehr.

Bruchstelle 3: Der Fachkräftemangel

Predictive Maintenance erfordert Data Scientists, Instandhaltungsingenieure und IT Spezialisten. Diese Fachkräfte sind im Mittelstand Mangelware. Viele KMU haben gar keine IT Abteilung. Eine BearingPoint Studie zeigt, dass 84 Prozent der Unternehmen Predictive Maintenance intern diskutieren, aber nur 25 Prozent Projekte umgesetzt haben. Die größten Hindernisse sind der Implementierungsaufwand (61 Prozent), die IT Sicherheit (57 Prozent) und die Datenverfügbarkeit (55 Prozent). Für KMU mit 20 bis 250 Mitarbeitern sind diese Hürden oft unüberwindbar. Predictive Maintenance Projekte werden oft der IT Abteilung zugewiesen, die ohnehin keine Kapazität für neue Projekte hat.

Bruchstelle 4: Das Silodenken

Instandhaltung lebt in vielen Unternehmen auf einer Insel. Sie ist nicht verknüpft mit der Produktion, dem Einkauf, dem Vertrieb oder der Finanzbuchhaltung. Die Instandhaltung weiß nicht, welche Aufträge dringend sind. Die Produktion weiß nicht, welche Maschinen wann gewartet werden müssen. Der Einkauf bestellt Ersatzteile, ohne die tatsächlichen Verschleißmuster zu kennen. Die Intelligenz-Schicht verbindet diese Silos. Sie liest Daten aus ERP, CMMS und Produktionssystemen. Sie erkennt Muster, die über einzelne Abteilungen hinweggehen. Doch dazu müssen die Systeme überhaupt verfügbar und zugänglich sein. In vielen KMU sind die Systeme veraltet, nicht vernetzt oder gar nicht digitalisiert. Das Silodenken ist daher nicht nur ein organisatorisches Problem. Es ist ein technisches und ein datenstrategisches Problem.

Bruchstelle 5: Der ROI Druck

Predictive Maintenance Projekte in KMU werden nach sechs bis zwölf Monaten abgebrochen, wenn kein messbarer ROI vorliegt. Der ROI Druck ist nicht nur eine Managemententscheidung. Er ist die logische Konsequenz der vier vorherigen Bruchstellen. Wenn die Daten fehlen, die Sensoren nicht vorhanden sind und das Personal überfordert ist, kann das Modell keine zuverlässigen Vorhersagen treffen. Falsche Alarme und verpasste Warnungen führen zu Frustration. Die Instandhaltungsmitarbeiter verlieren das Vertrauen in das System. Das Management zieht den Stecker. Die Kosten für ein gescheitertes Projekt sind hoch. Nicht nur das verbrannte Budget für Software und Beratung. Auch das verlorene Vertrauen der Mitarbeiter, die vertane Zeit und die Opportunitätskosten.

Was ein gescheitertes PdM-Projekt wirklich kostet

Die folgende Analyse zeigt die Total Cost of Failure für ein typisches KMU mit 50 Mitarbeitern. Die Zahlen basieren auf den Kostenmustern, die NaveSight in über 200 Mittelständlern analysiert hat. Sie sind nicht hypothetisch. Sie sind das Ergebnis einer systematischen Auswertung gescheiterter Projekte.

Unser Entscheidungsframework: Wann PdM, wann PdM Light

Bei NaveSight unterscheiden wir nicht nur zwischen reaktiver und präventiver Wartung. Wir unterscheiden zwischen Predictive Maintenance und PdM Light. Das folgende Framework zeigt, wann welcher Ansatz passt. Es ist keine allgemeine Empfehlung. Es ist das Ergebnis unserer Arbeit mit über 200 Mittelständlern.

KMU mit weniger als 100 Mitarbeitern sollten mit präventiver Wartung und gezielter Zustandsüberwachung starten. Predictive Maintenance ist erst sinnvoll, wenn eine kritische Masse an Daten, Sensoren und Personal vorhanden ist. PdM Light schließt die Lücke. Es liefert 80 Prozent des Werts von Predictive Maintenance, ohne dass eine flächendeckende Sensorisierung erforderlich ist. Die Muster-Erkennung arbeitet mit historischen Daten, nicht mit Echtzeitsensoren.

PdM Light: Wie NaveSight das anders angeht

Wenn Predictive Maintenance in der klassischen Form zu teuer und zu komplex ist, was dann? Bei NaveSight haben wir einen anderen Ansatz entwickelt. PdM Light arbeitet mit den Daten, die bereits vorhanden sind. Es setzt auf vorhandene Systeme auf. Und es skaliert in kleinen Schritten. Der Unterschied zum klassischen Ansatz liegt in der Reihenfolge. Predictive Maintenance beginnt mit der Sensorik und hofft, dass die Daten folgen. PdM Light beginnt mit den Daten und fügt Sensorik nur dort hinzu, wo die Analyse einen ROI belegt.

Schritt 1: Daten sichtbar machen

Störungsprotokolle aus CMMS, Excel oder Papier werden digitalisiert und strukturiert. Maschinenbuch, Betriebsanleitungen und Wartungspläne werden in die Wissensbasis überführt. ERP Daten zu Maschinenlaufzeiten, Produktionsvolumen und Ersatzteilverbrauch werden zusammengeführt. Dieser Schritt kostet 5.000 bis 15.000 Euro und dauert 4 bis 6 Wochen. Er schafft die Datengrundlage, die für alle weiteren Analysen notwendig ist. Ohne diesen Schritt bleibt jede KI blind. Bei NaveSight übernimmt die Intelligenz-Schicht diese Datenintegration. Sie liest aus heterogenen Quellen und erstellt eine einheitliche Wissensbasis.

Schritt 2: Muster erkennen ohne Sensoren

Historische Störungsdaten werden analysiert. Welche Maschinen fallen wann aus? Welche Korrelationen bestehen zwischen Produktionsvolumen, Saisonalität und Ersatzteilealter? Die Rules Engine priorisiert Risiken und gibt Handlungsempfehlungen. Dieser Schritt kostet 10.000 bis 25.000 Euro und dauert 6 bis 10 Wochen. Er liefert 80 Prozent des Werts von Predictive Maintenance, ohne dass eine einzige Sensor installiert wird. Die Muster-Erkennung arbeitet mit historischen Daten, nicht mit Echtzeitsensoren. Das ist der Kern der NaveSight Methode. Wir nutzen das, was bereits da ist. Wir erfinden das Rad nicht neu.

Schritt 3: Gezielte Sensorik nur dort, wo der ROI steht

Nach 3 bis 6 Monaten steht fest, welche Maschinen die höchsten Stillstandskosten verursachen. Nur diese Maschinen werden mit kostengünstigen Sensoren ausgestattet. Die Middleware integriert Sensordaten in die bestehende Wissensbasis. Dieser Schritt kostet 15.000 bis 40.000 Euro und dauert 8 bis 12 Wochen. Er ist der einzige, der Hardware erfordert. Und er erfolgt erst, wenn die Datenlage beweist, dass die Investition sich lohnt. Das reduziert das Risiko. Es verhindert die Total Cost of Failure. Und es passt zur Ressourcenrealität des Mittelstands.

Wie die Intelligenz-Schicht arbeitet

Die NaveSight Intelligenz-Schicht besteht aus vier Komponenten, die zusammenarbeiten. Sie sind nicht isolierte Tools. Sie sind ein System, das Daten liest, Muster erkennt, Risiken priorisiert und Handlungsempfehlungen gibt.

Die Wissensbasis speichert alle relevanten Daten. Störungsprotokolle, Maschinenbücher, Wartungspläne, Betriebsanleitungen, ERP Daten. Sie ist nicht eine Datenbank unter vielen. Sie ist das zentrale Nervensystem. Alle anderen Komponenten greifen auf sie zu.

Die Middleware verbindet die Wissensbasis mit den Quellsystemen. Sie liest aus CMMS, ERP und Produktionssystemen. Sie transformiert die Daten in ein einheitliches Format. Sie aktualisiert die Wissensbasis in Echtzeit oder in definierten Intervallen. Ohne die Middleware wäre die Wissensbasis statisch. Mit ihr ist sie lebendig.

Die Rules Engine analysiert die Daten in der Wissensbasis. Sie wendet Regeln an, die aus der Erfahrung von Instandhaltungsexperten und aus historischen Mustern abgeleitet sind. Sie priorisiert Risiken. Sie gibt Handlungsempfehlungen. Sie sagt nicht nur, dass eine Maschine ausfallen könnte. Sie sagt, warum. Und sie sagt, was zu tun ist.

Die Muster-Erkennung ergänzt die Rules Engine. Sie findet Korrelationen, die keine Regel abbilden kann. Saisonale Schwankungen. Zusammenhänge zwischen Produktionsvolumen und Verschleiß. Cluster von Störungen, die auf einen gemeinsamen Ursprung hinweisen. Die Muster-Erkennung ist nicht ein Ersatz für die Rules Engine. Sie ist ihr Partner. Zusammen bilden sie die analytische Kernkompetenz der Intelligenz-Schicht.

Unsere Reifegrad-Diagnostik

Bevor wir mit einem Kunden in PdM Light starten, führen wir eine Reifegrad-Diagnostik durch. Die folgenden Indikatoren zeigen, wie stabil das System ist. Sie sind keine Checkliste zum Abhaken. Sie sind diagnostische Marker, die uns sagen, wo wir ansetzen müssen.

Jeder erfüllte Indikator erhöht die Systemstabilität. Bei weniger als sechs erfüllten Indikatoren ist die Kollapswahrscheinlichkeit hoch. Bei sechs bis acht Indikatoren ist das System belastbar genug für PdM Light. Bei neun oder zehn Indikatoren kann Predictive Maintenance funktionieren. Die meisten KMU liegen bei drei bis fünf Indikatoren. Das erklärt die 70 Prozent Abbruchquote. Bei NaveSight nutzen wir diese Diagnostik, um den richtigen Einstieg zu wählen. Wir beginnen nicht mit der Technologie. Wir beginnen mit der Systemanalyse.

Warum die meisten Anbieter nicht zum Mittelstand passen

Der Markt für Instandhaltungssoftware ist unübersichtlich. Wir haben die Anbieterlandschaft analysiert, weil wir wissen müssen, wo NaveSight positioniert ist. Die folgende Übersicht zeigt, warum die meisten Anbieter nicht zu KMU passen. Sie ist keine Kaufberatung. Sie ist eine Strukturanalyse, die erklärt, warum PdM Light notwendig ist.

Das Muster ist eindeutig. Je näher ein Ansatz an der klassischen Predictive Maintenance liegt, desto niedriger ist die KMU Tauglichkeit. CMMS Cloud Systeme passen gut, aber sie analysieren nicht. Enterprise Suites analysieren gut, aber sie passen nicht. Die Lücke in der Mitte ist der Markt, den PdM Light adressiert. Ein Ansatz, der analysiert, ohne Sensorzwang zu erzwingen. Und der skaliert, ohne Konzernstrukturen zu erfordern.

Verwandte Inhalte

• Predictive Maintenance im Mittelstand: Ohne Millionen Budget
• KI gestützte Anlagenverfügbarkeit: Wie der Mittelstand Ausfallzeiten um 30 bis 40 Prozent senkt
• KI für Maschinenbau: Produktion, Qualitätskontrolle und Konstruktion verbinden
• Predictive Maintenance: Definition, Berechnung und Kosten im Mittelstand
• Operations, Einkauf und Supply