KI in der Produktionsplanung und -steuerung

„KI“ ist kein einheitliches Werkzeug, sondern ein Oberbegriff für sehr unterschiedliche Technologien. Für die Produktionsplanung zählen drei Fragen: Welche KI-Technologie löst welches Problem? Wie weit ist das Unternehmen auf dem Reifegradpfad? Und was ist der nächste realistische Schritt?

Künstliche Intelligenz umfasst Systeme, die Aufgaben übernehmen, die bisher menschliche Intelligenz erforderten. In der Produktionsplanung treffen unterschiedliche Ansätze aufeinander: regelbasierte Automatisierung, mathematische Optimierung, Machine Learning, Deep Learning, generative KI und agentische Systeme. Diese Verfahren überschneiden sich teilweise, verfolgen aber unterschiedliche Ziele und brauchen unterschiedliche Daten.

Maschinelles Lernen ist heute die dominierende Methode. Algorithmen lernen aus historischen Daten, ohne dass jede Regel explizit programmiert werden muss. In der Produktion steht ML für Bedarfsprognosen, Anomalieerkennung und die Früherkennung von Terminverzügen im Fokus. Deep Learning eignet sich besonders für unstrukturierte Daten – etwa Computer Vision in der Qualitätsprüfung oder die Auswertung von Maschinensensordaten. Natural Language Processing und generative KI ermöglichen Planungsdialoge in natürlicher Sprache: Planer fragen, das System antwortet mit konkreten Daten – ohne Excel-Analyse und ohne Transaktionsnavigation. SAP Joule zielt genau darauf ab.

Der entscheidende Reifegradpfad

Entscheider brauchen eine andere Orientierung: Wo steht mein Unternehmen – und wohin führt der nächste Schritt?

Der Automatisierungsgrad reicht von reiner Information über Empfehlungen und bestätigungspflichtige Aktionen bis zur autonom ausgeführten Prozesskette. Die meisten Produktionsunternehmen in Deutschland befinden sich heute zwischen deskriptiv und prädiktiv. Der Sprung zu präskriptiven KI-Systemen, die nicht nur warnen, sondern konkret empfehlen, ist der nächste realistische und wirtschaftlich relevante Schritt.

KI-Agenten sind dabei keine neue Technologie, sondern eine neue Architektur: Ein Sprachmodell erhält Werkzeuge wie SAP-APIs, Datenbanken und Planungssysteme und erledigt Aufgaben in eigenständigen Schritten. Der Unterschied zum Chatbot: Der Agent fragt nicht nur, er handelt. SAP Joule Studio ist ein erster greifbarer Schritt in diese Richtung – auch wenn autonome Planung in der Praxis noch die Ausnahme bleibt.

Der Markt: Zahlen, die Entscheidungen rechtfertigen

Laut Bitkom Research 2025 halten 81 Prozent der deutschen Unternehmen KI für hochrelevant; 42 Prozent des produzierenden Gewerbes setzen KI bereits produktiv ein. 93 Prozent bevorzugen KI-Lösungen aus Deutschland. Ein Grund: Exportbeschränkungen für US-amerikanische KI-Modelle haben gezeigt, dass staatliche Eingriffe in die Modellverfügbarkeit kein theoretisches Risiko sind. Wer geschäftskritische Prozesse auf einen externen Anbieter stützt, schafft Abhängigkeiten, die er nicht kontrolliert. Hinzu kommt der demografische Wandel: Planerstellen, die nicht neu besetzt werden können, verschwinden nicht – die Aufgaben bleiben. KI wird damit in vielen Bereichen notwendig.

Wo KI in der Produktionsplanung ansetzt

SAP S/4HANA bildet bei vielen Industrieunternehmen die Planungsbasis. Das klassische Material Requirements Planning gleicht Bedarfe, Bestände und Kapazitäten ab, berücksichtigt aber keine realen Kapazitätsgrenzen. Der Grob-Plan wird anschließend manuell orchestriert und mit Vertrieb und Produktion abgestimmt. Die Produktionsfeinplanung mit SAP ePP/DS geht weiter: Sie berücksichtigt tatsächliche Kapazitäten und erzeugt einen machbaren, täglich rollierenden, simulierbaren und optimierbaren Plan – etwa zur Reduktion von Rüstkosten.

In Projekten wie der globalen Planungstransformation bei WAGO oder der auftragsbasierten Planung bei Viessmann zeigt sich: Die eigentliche Herausforderung liegt in der Datenqualität und Planungsdisziplin im Tagesgeschäft – und genau dort kann KI ansetzen.

Drei Anwendungsfälle

Nicht jeder Prozess, den KI technisch übernehmen kann, ist ein sinnvoller Kandidat. Die Frage ist nicht, was möglich ist – sondern was sich rechnet und was sich bewährt.

Exception Handling in der Fertigungssteuerung: Terminverzüge entstehen meist durch viele kleine Störungen, die erst spät auffallen. KI erkennt kritische Muster frühzeitig und schlägt Neuplanungsoptionen vor – oft, bevor der Planer selbst Alarm schlägt. Der Effekt: weniger Feuerwehraktionen und mehr Zeit für echte Alternativen.

Stammdatenpflege und -bereinigung: Materialstammdaten, Arbeitspläne und Dispositionsparameter sind strukturierte Aufgaben, für die generative KI gut geeignet ist. Schlechte Stammdaten gehören zu den häufigsten Gründen für schwache Planungsergebnisse. KI löst das Problem nicht allein, macht die Bereinigung aber skalierbar.

Planungsdialog und Was-wäre-wenn-Szenarien: Natürlichsprachliche Abfragen zu Kapazitätsengpässen, Szenarien und Alternativen ersetzen manuelle Tabellenanalysen. SAP Joule und Joule Studio ermöglichen das auch für Fachanwender ohne technischen Hintergrund. Die Entscheidung bleibt beim Menschen, der Aufwand sinkt.

Für S/4HANA-On-Premise gilt: Über offene Schnittstellen lassen sich auch eigene KI-Anwendungen integrieren – mit Frontier-Modellen oder selbst gehosteten Open-Source-Lösungen. Die Souveränität bleibt damit im Unternehmen.

Was das für ein Projekt bedeutet

KI in der Produktionsplanung ist eine Frage der richtigen Problemdefinition. Drei Stellschrauben entscheiden darüber, ob ein KI-Projekt Wirkung erzeugt:

ROI-Bewertung: Der Nutzen verteilt sich über Abteilungen und Workflows und lässt sich selten einer einzelnen Maßnahme zurechnen. Nötig ist ein Rahmen, der auch qualitative Effekte wie kürzere Reaktionszeiten, weniger Planungsaufwand und stabilere Liefertreue erfasst.

Technologiesouveränität: Wer KI in geschäftskritische Prozesse integriert, muss Anbieterabhängigkeiten aktiv managen – von Modellverfügbarkeit über Datenlokalisierung bis zur Frage, was bei Serviceeinschränkungen passiert.

Anwendungsselektion: Exception Handling, Stammdatenpflege und dialogbasierte Planungsunterstützung liefern in der Praxis spürbaren Mehrwert, weil Probleme klar definiert, Daten vorhanden und Effekte nachvollziehbar sind. Das ist der richtige Startpunkt.

Fazit

KI schafft in der Produktionsplanung dort den größten Nutzen, wo sie konkrete Engpässe erkennt, Datenqualität verbessert und Entscheidungen vorbereitet. Der Einstieg sollte nicht über Technologiebegeisterung erfolgen, sondern über klar abgegrenzte Use Cases mit spürbarem Effekt. Wer jetzt pragmatisch startet, erhöht Planungsqualität, Reaktionsgeschwindigkeit und Zukunftssicherheit zugleich.