CMMS oder KI-Wartungssoftware: Was passt wirklich?

Viele Instandhaltungsleiter stehen irgendwann vor derselben Frage: Reicht unser bestehendes Instandhaltungsmanagementsystem noch aus – oder brauchen wir eine KI-gestützte Wartungssoftware?

Die ehrliche Antwort lautet: In den meisten Fällen ist das keine Entweder-oder-Entscheidung.

Ein CMMS (Computerized Maintenance Management System) oder SAP PM strukturiert Wartungsaufträge, Termine, Zuständigkeiten und Anlageninformationen. Generative KI kann dagegen die Erfassung, Aufbereitung und Nutzung dieser Informationen verbessern. Predictive Maintenance nutzt wiederum Sensor- und Zustandsdaten, um Veränderungen im Anlagenverhalten frühzeitig zu erkennen.

Diese Ansätze lösen unterschiedliche Probleme.

Die entscheidende Frage lautet deshalb nicht:

CMMS oder KI?

Sondern:

Welches Problem willst Du in Deiner Instandhaltung lösen – und welche vorhandenen Systeme kannst Du dafür besser nutzen?

Gerade Unternehmen, die bereits SAP PM, ein CMMS oder andere Instandhaltungssysteme einsetzen, müssen ihr Kernsystem nicht zwangsläufig ersetzen. Häufig fehlt vielmehr eine intelligente Ebene, die die Arbeit für Techniker vereinfacht, Wissen besser verfügbar macht und bestehende Daten miteinander verbindet.

CMMS, generative KI und Predictive Maintenance: drei unterschiedliche Aufgaben

Bevor Du verschiedene Lösungen vergleichst, solltest Du drei Kategorien auseinanderhalten.

1. CMMS: Instandhaltung organisieren

Ein CMMS bildet operative Instandhaltungsprozesse digital ab. Es unterstützt beispielsweise bei:

• Störmeldungen und Arbeitsaufträgen
• Wartungsplanung und Terminsteuerung
• Zuständigkeiten und Ressourcen
• Ersatzteilen und Materialverbrauch
• Prüfungen und Dokumentationspflichten
• Kosten- und Auftragsauswertungen

Das System schafft Struktur und Nachvollziehbarkeit.

Für Unternehmen, die Wartungsprozesse noch überwiegend über Papier, Excel, E-Mail oder Zuruf organisieren, können solche digitalen Grundprozesse einen erheblichen Fortschritt darstellen.

Dabei muss nicht zwingend ein neues CMMS eingeführt werden. Je nach bestehender Systemlandschaft können auch SAP PM, ein ERP-System oder bereits vorhandene Anwendungen diese Rolle übernehmen.

2. Generative KI: Informationen besser erfassen und nutzen

Generative KI arbeitet vor allem mit Sprache, Texten, Dokumenten und vorhandenem Wissen.

In der Instandhaltung kann sie beispielsweise:

• unvollständige Störmeldungen durch gezielte Rückfragen verbessern
• gesprochene Rückmeldungen strukturiert erfassen
• technische Dokumentationen durchsuchen und zusammenfassen
• ähnliche Störungen und frühere Lösungen auffindbar machen
• Berichte und Übergaben vorbereiten
• Routineprozesse automatisieren

Der wesentliche Unterschied zum klassischen CMMS liegt nicht darin, dass plötzlich alle bisherigen Funktionen ersetzt werden.

Generative KI kann vielmehr die Interaktion mit bestehenden Systemen vereinfachen und die Qualität der darin gespeicherten Informationen erhöhen.

Ein gutes Beispiel sind sprachbasierte Störmeldungen: Statt lediglich „Maschine kaputt“ in ein System einzutragen, kann ein Assistent gezielt nach Symptomen, Betriebszustand und betroffener Komponente fragen und daraus eine strukturierte Meldung erzeugen.

SAP PM oder das vorhandene CMMS bleibt dabei das führende System.

3. Predictive Maintenance: technische Veränderungen früher erkennen

Predictive Maintenance, also vorausschauende Instandhaltung, verfolgt ein anderes Ziel.

Hier werden Betriebs-, Sensor- und Zustandsdaten analysiert, um Veränderungen im Anlagenverhalten möglichst früh zu erkennen.

Je nach Anwendungsfall können dafür beispielsweise benötigt werden:

• Temperaturdaten
• Vibrationsdaten
• Stromaufnahme
• Druckwerte
• Betriebszustände
• Lastprofile
• historische Ausfälle und Fehlerbilder
• dokumentierte Wartungsmaßnahmen

Predictive Maintenance ist damit ein spezieller datenanalytischer Anwendungsfall.

Nicht jede KI-Wartungssoftware ist automatisch eine Predictive-Maintenance-Lösung.

Und nicht jedes Unternehmen benötigt Predictive Maintenance, um sinnvoll mit KI in der Instandhaltung zu starten.

Was ein klassisches CMMS gut kann

Ein gutes CMMS ist das digitale Rückgrat vieler Instandhaltungsorganisationen.

Es beantwortet beispielsweise:

• Welche Störung wurde gemeldet?
• Welche Anlage ist betroffen?
• Welcher Auftrag ist daraus entstanden?
• Wer übernimmt die Reparatur?
• Wann muss eine Wartung durchgeführt werden?
• Welche Ersatzteile wurden benötigt?
• Welche Kosten sind entstanden?

Diese Funktionen bleiben auch in einer KI-gestützten Instandhaltung wichtig.

Ein CMMS ist deshalb nicht veraltet, nur weil es nicht jede Aufgabe mit künstlicher Intelligenz löst.

Das Problem entsteht häufig an einer anderen Stelle.

Wo ein CMMS allein an Grenzen stößt

Ein CMMS kann nur mit den Informationen arbeiten, die tatsächlich erfasst werden.

Eine digitale Störmeldung wie:

„Anlage kaputt“

ist zwar digital gespeichert – für die weitere Analyse aber nahezu wertlos.

Das System weiß dadurch beispielsweise nicht:

• Welches Verhalten wurde beobachtet?
• Welche Komponente könnte betroffen sein?
• Wann trat die Störung auf?
• Unter welchen Betriebsbedingungen trat sie auf?
• Gab es ungewöhnliche Geräusche, Temperaturen oder Fehlermeldungen?

Ähnliches passiert bei der Rückmeldung:

„Fehler behoben.“

Der Auftrag ist formal abgeschlossen. Für den nächsten Techniker entsteht aber kaum nutzbares Erfahrungswissen.

Typische Probleme bleiben deshalb auch mit einem eingeführten CMMS bestehen:

• Meldungen sind zu kurz oder uneinheitlich.
• Rückmeldungen werden verspätet dokumentiert.
• Techniker empfinden Dokumentation als zusätzliche Bürokratie.
• Fehlerursachen werden nicht sauber erfasst.
• Wissen steckt in Freitextfeldern, Ordnern und Köpfen.
• ähnliche Störungen werden immer wieder neu analysiert.
• Informationen liegen über mehrere Systeme verteilt.
• Berichte müssen manuell zusammengestellt werden.

Das eigentliche Problem lautet dann nicht:

„Unser CMMS kann zu wenig.“

Sondern eher:

„Unsere Mitarbeiter bekommen Informationen nicht einfach genug hinein – und später nicht schnell genug wieder heraus.“

Wo generative KI einen Unterschied machen kann

Generative KI eignet sich besonders für die Schnittstelle zwischen Mensch und System.

Statt einen Techniker nach der Reparatur vor eine komplexe Eingabemaske zu setzen, kann ein Assistent Informationen im natürlichen Dialog erfassen.

Ein Beispiel:

Der Techniker sagt:

„Motor 3 ist heute Morgen wieder ausgefallen.“

Ein Assistent kann daraufhin nachfragen:

• Welche Symptome sind aufgetreten?
• Gab es eine Fehlermeldung?
• Unter welcher Last lief der Motor?
• Welche Ursache wurde festgestellt?
• Was wurde repariert oder ausgetauscht?
• Ist die Anlage wieder vollständig betriebsbereit?

Aus diesem Gespräch entsteht eine strukturierte Rückmeldung.

Die Dokumentation wird damit nicht abgeschafft. Sie wird einfacher in den eigentlichen Arbeitsprozess integriert.

Das verbessert gleichzeitig die Grundlage für spätere Analysen.

Denn bevor Unternehmen über komplexe KI-Auswertungen nachdenken, sollten sie eine grundlegende Frage beantworten:

Wie gut sind eigentlich die Daten, aus denen wir lernen wollen?

Wissen ist mehr als ein abgeschlossenes Ticket

Neben der Datenqualität gibt es eine zweite große Herausforderung: Wissenstransfer.

Erfahrene Instandhalter wissen häufig Dinge, die in keinem System vollständig dokumentiert sind.

Sie wissen beispielsweise:

• welche Maschine bei welchem Geräusch kritisch wird
• welche Störung immer wieder durch dieselbe Ursache entsteht
• welche Ersatzlösung bei einem nicht mehr verfügbaren Bauteil funktioniert
• welche Besonderheiten eine bestimmte Anlage seit dem letzten Umbau besitzt

Wenn dieses Wissen nur in einzelnen Köpfen steckt, entsteht ein betriebliches Risiko.

Deshalb sollte Wissen nicht ausschließlich an einzelne Arbeitsaufträge gebunden sein.

Eine asset-zentrierte Wissensstruktur kann Informationen entlang der jeweiligen Anlage zusammenführen:

• Stammdaten
• Störungen
• Reparaturen
• technische Dokumentationen
• Berichte
• Erfahrungswissen
• Sensorwerte
• Änderungen und Umbauten

So entsteht eine digitale Lebenslaufakte des Assets.

Mehr dazu findest Du unter Expertenwissen systematisch sichern.

KI-Wartungssoftware ist nicht automatisch Predictive Maintenance

In vielen Artikeln werden generative KI, Condition Monitoring und Predictive Maintenance unter dem Sammelbegriff „KI in der Instandhaltung“ zusammengefasst.

Das führt schnell zu falschen Erwartungen.

Ein Meldungsassistent kann die Qualität von Störmeldungen verbessern. Er kann daraus aber nicht automatisch einen zukünftigen Lagerschaden prognostizieren.

Ein Wissensassistent kann frühere Reparaturlösungen bereitstellen. Dafür benötigt er nicht zwangsläufig hochfrequente Vibrationsdaten.

Predictive Maintenance arbeitet dagegen gezielt mit technischen Zustandsdaten.

Je anspruchsvoller die Vorhersage, desto wichtiger werden:

• belastbare Sensordaten
• ausreichende historische Daten
• bekannte Fehlerbilder
• technische Fachkenntnis
• Integration verschiedener Datenquellen
• kontinuierliche Validierung der Ergebnisse

Deshalb sollte die Frage nicht lauten:

„Wo können wir überall Predictive Maintenance einsetzen?“

Sondern:

„Bei welcher Anlage verursacht ein ungeplanter Ausfall ausreichend hohe Kosten – und haben wir dort die notwendigen Daten?“

CMMS, generative KI und Predictive Maintenance im Vergleich

Die entscheidende Erkenntnis:

Diese Systeme müssen nicht miteinander konkurrieren.

Sie können unterschiedliche Aufgaben innerhalb derselben Instandhaltungsarchitektur übernehmen.

Wann ein CMMS oder ERP als Basis ausreicht

Ein klassisches Instandhaltungssystem ist besonders wichtig, wenn:

• Aufträge noch über Papier oder Excel gesteuert werden.
• Verantwortlichkeiten nicht transparent sind.
• Wartungspläne nicht zentral verwaltet werden.
• Anlageninformationen nicht eindeutig strukturiert sind.
• Kosten und Ersatzteilverbräuche nicht nachvollziehbar sind.
• zunächst grundlegende digitale Prozesse geschaffen werden müssen.

In dieser Situation ist ein komplexes KI-Projekt wahrscheinlich nicht der erste Schritt.

Zunächst sollten Meldung, Planung, Auftrag, Durchführung und Rückmeldung zuverlässig digital funktionieren.

Wann generative KI sinnvoll wird

Generative KI wird besonders interessant, wenn bereits SAP PM, ein CMMS oder andere Systeme vorhanden sind – die Nutzung im Alltag aber nicht zufriedenstellend funktioniert.

Typische Anzeichen sind:

• Meldungen enthalten zu wenig Informationen.
• Rückmeldungen werden nicht vollständig dokumentiert.
• Techniker müssen Informationen mehrfach eingeben.
• Dokumentation erfolgt erst am Ende der Schicht.
• Wissen verteilt sich über verschiedene Systeme.
• Mitarbeiter suchen lange nach früheren Lösungen.
• Expertenwissen ist personengebunden.
• Berichte und Zusammenfassungen benötigen viel manuelle Arbeit.

In diesen Fällen muss das Kernsystem nicht automatisch ersetzt werden.

Die bessere Frage lautet:

Wie können wir das bestehende System einfacher nutzbar machen und seine Datenqualität verbessern?

Wann Predictive Maintenance sinnvoll wird

Predictive Maintenance kann sich besonders bei kritischen Anlagen lohnen.

Dazu gehören beispielsweise Anlagen mit:

• hohen Produktionsverlusten bei Ausfällen
• langen Wiederanlaufzeiten
• kritischer Bedeutung für nachgelagerte Prozesse
• hohen Sicherheits- oder Qualitätsrisiken
• teuren Folgeschäden
• schwer verfügbaren Ersatzteilen
• wiederkehrenden und datenbasiert erkennbaren Fehlerbildern

Neben der Anlagenkritikalität entscheidet die Datenlage.

Existieren relevante Sensorwerte? Sind diese zuverlässig? Lassen sich vergangene Fehler eindeutig zuordnen? Können Betriebszustände und Wartungsereignisse miteinander verbunden werden?

Fehlen diese Voraussetzungen, kann zunächst ein einfacherer Condition-Monitoring-Anwendungsfall sinnvoller sein.

Was passt zu welcher Ausgangssituation?

Wenn vor allem lange Fehlersuche und Informationsbeschaffung Deine Reparaturzeiten treiben, findest Du weitere Ansätze unter MTTR gezielt senken.

Wie Hahn PRO ADAM bestehende Systeme ergänzt

Hahn PRO ADAM ist nicht darauf ausgelegt, SAP, CMMS oder andere führende Systeme pauschal zu ersetzen.

Die Plattform kann als UX-, Wissens- und Integrations-Layer zwischen Mitarbeitern, Anlagenwissen und bestehenden Anwendungen eingesetzt werden.

Im Mittelpunkt steht dabei die Anlage.

Relevante Informationen können einer digitalen Lebenslaufakte zugeordnet werden, beispielsweise:

• Stammdaten
• Meldungen
• Rückmeldungen
• Berichte
• Dokumentationen
• Ereignisse
• Sensorinformationen
• Erfahrungswissen

Dadurch entsteht ein gemeinsamer Kontext rund um das Asset.

Meldungen und Rückmeldungen per natürlicher Sprache

GenAI-Assistenten können Mitarbeiter bei Meldungen und Rückmeldungen unterstützen.

Statt komplexe Formulare vollständig manuell auszufüllen, können Techniker Informationen in natürlicher Sprache erfassen. Der Assistent kann fehlende Angaben erkennen, gezielt nachfragen und die Informationen für die weitere Verarbeitung strukturieren.

Das führende System kann weiterhin SAP PM oder das vorhandene CMMS bleiben.

Wissen im richtigen Moment verfügbar machen

ADAM kann Informationen aus unterschiedlichen Quellen in einen gemeinsamen Anlagenkontext bringen.

Das Ziel ist nicht, noch ein weiteres Datengrab aufzubauen.

Das Ziel ist:

Die richtige Information soll zur richtigen Zeit am richtigen Ort verfügbar sein.

Prozesse und Systemübergänge automatisieren

Mit dem Flow Studio können Datenflüsse und Automatisierungen modelliert werden.

So lassen sich wiederkehrende Abläufe zwischen bestehenden Systemen vereinfachen, ohne jeden Prozess vollständig neu entwickeln zu müssen.

Mehr zur Plattform und ihrem Einsatz in produzierenden Unternehmen findest Du unter ADAM für Manufacturing.

Technologie allein löst das Problem nicht

Eine neue Software verbessert noch keine Instandhaltung, wenn sich im Arbeitsalltag nichts verändert.

Erfolgreiche Digitalisierungs- und KI-Projekte berücksichtigen deshalb neben der Technologie auch:

• bestehende Prozesse
• Rollen und Verantwortlichkeiten
• Nutzerakzeptanz
• Datenqualität
• IT und Informationssicherheit
• Betriebsrat und Datenschutz
• Schulung und Qualifizierung
• messbare Ziele

Gerade Instandhalter sollten früh eingebunden werden.

Ein KI-Assistent, der zusätzliche Arbeit verursacht, wird genauso wenig genutzt wie eine schlecht eingeführte CMMS-Maske.

Der Nutzen muss im Alltag spürbar werden:

• weniger Tipparbeit
• weniger Suchzeit
• weniger Rückfragen
• bessere Übergaben
• schnellerer Zugriff auf Erfahrungswissen
• weniger manuelle Berichte

Sechs Fragen für Deine Systementscheidung

Wenn Du einschätzen möchtest, welcher Ansatz zu Deiner Instandhaltung passt, helfen sechs Fragen.

1. Sind die grundlegenden Prozesse bereits digital?

Werden Meldungen, Aufträge, Wartungen und Rückmeldungen zuverlässig digital abgebildet?

Wenn nicht, solltest Du zunächst diese Grundlage schaffen.

2. Wie gut sind Deine Meldungen und Rückmeldungen?

Digital bedeutet nicht automatisch strukturiert.

Wenn Meldungen regelmäßig aus wenigen Wörtern bestehen, ist Datenqualität wahrscheinlich ein größerer Hebel als ein weiteres Kernsystem.

3. Wie viel Zeit verlieren Deine Mitarbeiter durch Dokumentation und Suche?

Frage Deine Techniker konkret:

• Wo wird doppelt dokumentiert?
• Welche Informationen fehlen regelmäßig?
• Welche Systeme müssen durchsucht werden?
• Welche Aufgaben werden außerhalb der offiziellen Systeme erledigt?

4. Wo befindet sich Dein kritisches Erfahrungswissen?

In Dokumenten?

In abgeschlossenen Arbeitsaufträgen?

Oder hauptsächlich in den Köpfen einzelner Mitarbeiter?

Je stärker Wissen personengebunden ist, desto wichtiger wird systematischer Wissenstransfer.

5. Welche Anlagen rechtfertigen Predictive Maintenance?

Bewerte nicht den gesamten Maschinenpark pauschal.

Beginne bei kritischen Anlagen, bei denen ein Ausfall einen messbaren wirtschaftlichen Schaden verursacht.

6. Welche Daten stehen tatsächlich zur Verfügung?

Entscheidend ist nicht nur, ob Daten existieren.

Sie müssen:

• zuverlässig sein
• verständlich sein
• dem richtigen Asset zugeordnet werden können
• im Arbeitsprozess nutzbar sein

Fazit: Nicht CMMS oder KI – sondern die passende Kombination

Ein CMMS löst ein wichtiges Problem: Es schafft Struktur und Transparenz in der operativen Instandhaltung.

Generative KI löst ein anderes: Sie kann die Erfassung, Aufbereitung und Nutzung von Informationen und Erfahrungswissen vereinfachen.

Predictive Maintenance adressiert wiederum die technische Frage, ob Veränderungen erkannt werden können, bevor eine kritische Anlage ausfällt.

Deshalb lautet die wichtigste Entscheidung nicht:

CMMS oder KI?

Sondern:

Welche Fähigkeit fehlt Deiner Instandhaltung heute?

Wenn grundlegende digitale Prozesse fehlen, solltest Du dort beginnen.

Wenn bereits SAP PM oder ein CMMS vorhanden ist, aber schlechte Datenqualität, hoher Dokumentationsaufwand und Wissensverlust bestehen, kann eine KI-gestützte Ergänzung der bessere nächste Schritt sein.

Und wenn kritische Anlagen eine geeignete Zustands- und Datenbasis besitzen, kann Predictive Maintenance darauf aufbauen.

Die beste Lösung ist nicht das System mit den meisten Funktionen.

Die beste Lösung ist die Kombination, die ein konkretes Problem mit möglichst wenig zusätzlicher Komplexität löst.

Wo steht Deine Instandhaltung heute?

Bevor Du ein neues System auswählst, lohnt sich ein Blick auf die vorhandene Wissensbasis.

Mit unserem kostenlosen Wissens-Check prüfst Du in rund acht Minuten, wie gut kritisches Störungs- und Anlagenwissen heute gefunden, verstanden und wiederverwendet werden kann.

Du erhältst anschließend einen individuellen Ergebnisreport und erkennst, wo konkreter Handlungsbedarf besteht.

Wissensverfügbarkeit kostenlos prüfen