Predictive Maintenance in der Praxis: was der Fall Bosch Rexroth zeigt

Predictive Maintenance in der Praxis: was der Fall Bosch Rexroth zeigt

Predictive Maintenance in der Praxis bedeutet: Ein Modell erkennt Verschleiß- und Ausfallmuster in Sensor- oder Steuerungsdaten, die Instandhaltung verlegt Reparaturen in geplante Fenster. Dokumentierte Fälle zeigen große Effekte, etwa 70 bis 80 % weniger Stillstandszeit in Pilotprojekten bei Bosch Rexroth (Unternehmensangabe). Voraussetzung sind Ausfallhistorie, ein enger Anlagenzuschnitt und ein Referenzwert vor dem Start.

Für Entscheider in Kürze

• Aufwand: Der typische Einstieg umfasst zehn bis zwanzig kritische Anlagen, bestehende Steuerungsdaten und einen Pilot über drei bis sechs Monate.
• Kosten: Belastbare öffentliche Benchmarks für Projektkosten je Anwendungsfall im Mittelstand gibt es laut Branchenreport nicht. Rechnen Sie deshalb über vermiedene Stillstandsminuten, nicht über Anbieterversprechen.
• Nutzen: Eng geschnittene Einzelfälle wie Predictive Maintenance amortisieren sich in drei bis zwölf Monaten (Deloitte 2025, Beratungsstudie). Der Durchschnitt aller KI-Vorhaben liegt bei zwei bis vier Jahren.
• Risiko: Der häufigste Fehler ist ein Modell, das Warnungen erzeugt, aber keine Instandhaltungsaufträge. Ohne regelmäßiges Nachtraining sinkt zudem die Trefferquote.
• Regulatorik: Vorausschauende Instandhaltung ohne Eingriff in die Sicherheitskette fällt nach unserer Lesart in aller Regel nicht unter die Hochrisiko-Einstufung des AI Act. Das ist keine Rechtsberatung.

Der Fall Bosch Rexroth: was dokumentiert ist

Vorweg zur Einordnung: Bosch Rexroth ist ein dokumentierter Fall aus der Industrie und kein Projekt von NexPatch AI. Die Angaben stammen aus unserer Auswertung von 52 veröffentlichten Praktikergesprächen (September 2025 bis August 2026) und beruhen auf der Darstellung des Unternehmens selbst.

Bosch Rexroth beschreibt Pilotprojekte zur sogenannten Asset Orchestration. Anlagen werden dabei über die Verwaltungsschale beschrieben, also über ein standardisiertes digitales Abbild jeder Maschine, und die Abläufe rund um Wartung und Eingriff werden in BPMN 2.0 modelliert, einer verbreiteten Notation für Geschäftsprozesse. Das Ergebnis laut Unternehmensangabe: 70 bis 80 % weniger Stillstandszeit und 40 bis 65 % Zeitersparnis.

Bemerkenswert ist weniger die Höhe der Zahl als ihre Bauart. Der Fall zeigt, dass Predictive Maintenance in der Praxis mehr ist als ein gutes Modell. Der Fall verbindet Anlagendaten mit dem Prozess, der auf eine Vorhersage folgt. Genau an dieser Stelle scheitern viele Vorhaben: Das Modell erkennt ein Muster, doch niemand erhält einen Auftrag. Der Fall zeigt damit ein Muster, das sich durch die gesamte Auswertung zieht. Der Hebel liegt oft vor der KI, nämlich in einem klar gebauten Prozess.

Zwei Vorbehalte gehören dazu. Erstens handelt es sich um Pilotprojekte, nicht um einen unternehmensweiten Rollout. Zweitens bildet unsere Auswertung die Selbstdarstellung der Sprechenden ab. Grundlage sind die veröffentlichten Zusammenfassungen, nicht vollständige Mitschnitte. Nur 14 der 52 Gespräche nennen überhaupt ein Ergebnis mit einer belastbaren Zahl. Der Fall taugt deshalb als Orientierung, nicht als Planwert.

Belegte Fälle im Vergleich

Bosch Rexroth steht nicht allein. Der Branchenreport sammelt für die vorausschauende Instandhaltung mehrere Fälle mit unterschiedlicher Quellenart. Die Quellenart ist wichtig, denn eine unabhängig geprüfte Zahl wiegt mehr als eine Anbieterreferenz.

Die Spanne reicht von rund einem Viertel vermiedener Stillstandszeit bis zu Spitzenwerten von 90 %. Für die eigene Planung ist der untere Teil der Spanne die ehrlichere Grundlage.

Was die Studien im Durchschnitt sagen

Einzelfälle beeindrucken, taugen aber nicht zur Planung. Aggregierte Wirkungsstudien sind die bessere Basis. Für Predictive Maintenance nennt McKinsey eine Bandbreite von minus 30 bis 50 % Stillstandszeit über viele Projekte hinweg. Deloitte 2026 beziffert für die Prozessindustrie plus 27 % Anlagenverfügbarkeit und minus 22 % Instandhaltungskosten je Einheit. Über zentrale operative Kennzahlen hinweg liegt das durchschnittliche Verbesserungspotenzial laut Deloitte 2026 bei rund 20 %.

Beides sind Beratungsstudien, und Beratungsstudien fallen systematisch optimistischer aus als repräsentative Erhebungen. Das spricht nicht gegen die Zahlen, wohl aber für einen vorsichtigen Ansatz im Business Case.

Die Amortisation ist der eigentliche Grund, warum dieses Feld so oft als Einstieg gewählt wird. Nur 6 % aller KI-Vorhaben erreichen den Return in unter zwölf Monaten, im Mittel dauert es zwei bis vier Jahre (Deloitte 2025). Eng geschnittene Fälle der vorausschauenden Instandhaltung amortisieren sich dagegen in drei bis zwölf Monaten, in dokumentierten Anbieterreferenzen teils unter drei Monaten. Der Grund ist einfach: Der Nutzen ist unmittelbar in Maschinenstunden messbar. Mit dem ROI-Rechner für KI-Projekte können Sie diese Logik mit Ihren eigenen Stillstandskosten durchspielen.

Predictive Maintenance in der Praxis: Voraussetzungen und Fallstricke

Ob ein Vorhaben die Werte aus der Tabelle erreicht, entscheidet sich selten am Modell. Es entscheidet sich an Daten, Auswahl und Prozess.

Was vorhanden sein muss

• Zeitreihendaten aus Sensorik oder Steuerung, idealerweise über OPC UA angebunden.
• Historische Ausfall- und Instandhaltungsdaten über mindestens 12 bis 24 Monate.
• Eine Priorisierung der Anlagen nach Kritikalität, nicht nach Datenverfügbarkeit.
• Ein Instandhaltungsprozess, der Vorhersagen auch aufnehmen kann.

Woran es scheitert

• Modelle ohne Anbindung an das Auftragswesen der Instandhaltung, die Warnungen erzeugen, aber keine Aufträge.
• Eine zu breite Startmenge: alle Anlagen gleichzeitig statt der zehn kritischsten.
• Fehlende Zeit für die Nachschärfung. Trefferquote und Fehlalarmrate verschlechtern sich sonst über die Zeit.
• Reine Eigenentwicklung ohne vorhandene Bausteine. Das verlängert die Umsetzung und erhöht die Kosten deutlich.

Der erste Fallstrick ist der teuerste, und genau hier setzt der Fall Bosch Rexroth an. Eine Zustandsüberwachung, die nur Dashboards füllt, bringt keinen Stillstand weniger. Erst wenn eine Vorhersage einen geplanten Eingriff auslöst, entsteht der Effekt, den die Studien messen.

So sieht ein belastbarer Einstieg aus

Wie Predictive Maintenance in der Praxis sinnvoll beginnt, beschreibt der Branchenreport mit einem typischen Einstieg, der sich mit den dokumentierten Fällen deckt. Sie wählen zehn bis zwanzig kritische Anlagen, nutzen die vorhandenen Steuerungsdaten und legen vor dem Start eine Referenzgröße fest, etwa die ungeplanten Stillstandsminuten im Vorjahreszeitraum. Der Pilot läuft drei bis sechs Monate. Während dieser Zeit schlägt die KI vor, der Mensch entscheidet. Erst wenn die Qualität über Wochen stabil ist, bekommt das System mehr Verantwortung.

Wer so vorgeht, kann Stillstandszeit senken und das auch belegen. Ohne Referenzwert vor dem Start bleibt jeder Erfolg strittig, und ohne Beleg gibt es kein zweites Budget.

Danach beginnt der Teil, über den in der Branche am wenigsten gesprochen wird: der Betrieb. Modelle verschlechtern sich über die Zeit, weil sich Anlagen, Werkzeuge und Produktmix verändern. Wer keine Betriebsverantwortung definiert, verliert den Nutzen nach etwa zwölf Monaten wieder. Deshalb gehört zu jedem Pilot die Frage, wer die Modellgüte überwacht, wer nachtrainiert und wer über eine Abschaltung entscheidet. Wie ein geregelter Betrieb von KI-Systemen als Managed Service aussieht, beschreiben wir auf einer eigenen Seite.

Wir betreiben vorausschauende Instandhaltung auf unserer Prognoseplattform Orpheon, angebunden an ERP, MES und Maschinen, unter anderem über OPC UA. Die Plattform ist ein Werkzeug, kein Ersatz für die hier beschriebene Reihenfolge. Welche weiteren Anwendungsfelder nach der Instandhaltung sinnvoll sind, zeigt unsere Übersicht der KI-Anwendungsfälle in der Produktion.