KI in der Produktionsplanung.

Produktionsplanung ist ein ständiges Jonglieren: Welche Aufträge wann auf welcher Maschine, mit welchem Personal, welchem Material, in welcher Reihenfolge — und das alles bei schwankenden Bestellungen, knappen Kapazitäten und Störungen, die niemand vorhersieht. KI kann hier an mehreren Stellen helfen, aber man muss genau verstehen, welche Aufgabe man eigentlich lösen will. Denn hinter „KI in der Produktionsplanung“ stecken sehr unterschiedliche Verfahren mit unterschiedlichen Voraussetzungen.

Drei Planungsfragen — drei verschiedene Werkzeuge.

Bevor man über Technik redet, lohnt die Trennung der Aufgaben. In der Produktionsplanung stecken mindestens drei verschiedene Fragen, die nicht dasselbe Werkzeug brauchen:

• Wie viel werden wir brauchen? — die Bedarfs- und Absatzprognose. Hier hilft Machine Learning, das aus historischen Daten Muster lernt.
• In welcher Reihenfolge und auf welcher Maschine? — die Reihenfolge- und Belegungsplanung. Hier sind oft mathematische Optimierungsverfahren stärker als „KI“ im engeren Sinn.
• Reicht unsere Kapazität? — die Kapazitäts- und Szenarioplanung. Hier helfen Simulation und Was-wäre-wenn-Rechnungen.

Diese Unterscheidung ist mehr als Begriffsklauberei. Wer eine Reihenfolge-Optimierung mit einem lernenden Modell lösen will, das eigentlich für Prognosen gedacht ist, wird scheitern. Das richtige Werkzeug für die richtige Frage ist die halbe Miete.

Bedarfsprognose: das Paradebeispiel für ML.

Die Vorhersage künftigen Bedarfs ist die klassische Domäne für maschinelles Lernen. Ein Modell lernt aus der Verkaufs- und Auftragshistorie, wie sich die Nachfrage typischerweise verhält — inklusive Saisonalität, Wochentagsmustern und Trends. Gegenüber einer einfachen Fortschreibung kann das die Genauigkeit spürbar verbessern, besonders wenn viele Produkte mit unterschiedlichen Mustern im Spiel sind.

Aber auch hier gilt die ehrliche Einordnung: Eine Prognose ist und bleibt eine Schätzung mit Unsicherheit. Sie kann nur Muster fortschreiben, die in der Vergangenheit vorkamen. Strukturbrüche — ein neuer Großkunde, ein Wettbewerber, der den Markt verändert, eine Sondersituation — kann kein Modell aus der Historie vorhersehen, weil sie eben nicht in der Historie stehen. Eine seriöse Prognose nennt deshalb immer auch ihre Unsicherheit, statt eine scheingenaue Einzelzahl zu liefern.

# Eine Prognose ohne Unsicherheit ist gefaehrlich.
# Besser: Bandbreite statt scheingenauer Einzelwert.

prognose = {
    "produkt": "Baugruppe A",
    "zeitraum": "KW 30",
    "erwartung": 1200,      # wahrscheinlichster Wert
    "untergrenze": 980,     # pessimistisches Szenario
    "obergrenze": 1450,     # optimistisches Szenario
}

# Planung sollte die Bandbreite nutzen, nicht nur
# die Punktschaetzung. Bei kritischen Teilen plant
# man eher Richtung Obergrenze (Lieferfaehigkeit),
# bei teurer Lagerhaltung eher konservativ.
# Diese Abwaegung trifft ein Mensch, nicht das Modell.
        

Der eigentliche Wert liegt nicht im einen „richtigen“ Wert, sondern in der Bandbreite und der Frage, wie man mit ihr umgeht. Eine gute Prognose nimmt dem Planer nicht die Entscheidung ab — sie gibt ihm eine bessere Grundlage dafür.

Reihenfolgeplanung: oft eher Optimierung als KI.

Bei der Frage, in welcher Reihenfolge Aufträge laufen sollen, wird der Begriff „KI“ häufig unsauber verwendet. Tatsächlich sind das oft Probleme der mathematischen Optimierung: Maschinen belegen, Rüstzeiten minimieren, Termine einhalten, Engpässe berücksichtigen. Dafür gibt es etablierte Verfahren, die mit klar formulierten Regeln und Zielen arbeiten — und die man nicht erst „trainieren“ muss.

Der Vorteil dieser Verfahren: Sie sind nachvollziehbar. Man kann genau angeben, welche Regeln gelten (eine Maschine kann nur eine Sache gleichzeitig, dieser Auftrag hat Vorrang, jenes Material ist erst ab Donnerstag da) und welches Ziel verfolgt wird (möglichst wenig Verspätung, möglichst wenig Rüsten). Das Ergebnis lässt sich erklären, statt aus einer Blackbox zu kommen. Gerade in der Planung, wo Menschen dem Plan vertrauen müssen, ist diese Erklärbarkeit ein großer Wert.

Diese Einordnung schützt vor einer häufigen Enttäuschung: Wer für ein Reihenfolgeproblem ein „selbstlernendes KI-System“ kauft, bekommt oft ein intransparentes Werkzeug für ein Problem, das mit klassischer Optimierung besser und erklärbarer gelöst wäre.

Die Voraussetzung: belastbare Stamm- und Bewegungsdaten.

Jedes dieser Verfahren ist nur so gut wie die Daten dahinter. Und genau hier scheitern viele Planungsprojekte, bevor sie beginnen. Eine Optimierung kann nur sinnvolle Pläne liefern, wenn die zugrunde liegenden Daten stimmen:

• Realistische Bearbeitungszeiten: Stehen im System Sollzeiten, die mit der Realität wenig zu tun haben, ist jeder daraus berechnete Plan Makulatur.
• Korrekte Rüst- und Wechselzeiten: Sie entscheiden oft über die beste Reihenfolge. Fehlen sie oder sind sie falsch, optimiert das System an der Wirklichkeit vorbei.
• Aktuelle Verfügbarkeiten: Material, Personal, Werkzeuge — wer hier mit veralteten Daten plant, produziert schöne Pläne, die in der Halle nicht funktionieren.
• Saubere Auftragsdaten: Mengen, Termine, Prioritäten müssen verlässlich gepflegt sein.

Der unspektakuläre, aber wahre Befund: Oft bringt das Bereinigen der Stammdaten mehr als jedes ausgeklügelte Modell. Ein durchschnittliches Verfahren auf guten Daten schlägt ein ausgezeichnetes Verfahren auf schlechten Daten — jedes Mal.

Die größte Grenze: die Realität hält sich nicht an Pläne.

Der entscheidende Realismus in der Produktionsplanung ist dieser: Jeder Plan ist im Moment seiner Erstellung schon veraltet. Eine Maschine fällt aus, Material kommt zu spät, ein Eilauftrag drängt sich vor, ein Mitarbeiter wird krank. Kein noch so guter Algorithmus verhindert Störungen — er kann nur helfen, schneller darauf zu reagieren.

Deshalb ist die wichtigere Eigenschaft eines Planungssystems nicht der perfekte Plan, sondern die Fähigkeit zur schnellen Neuplanung. Wenn morgens eine Maschine ausfällt, ist die relevante Frage nicht „war der Plan optimal?“, sondern „wie schnell habe ich einen guten neuen Plan?“. Ein System, das in Minuten eine durchdachte Umplanung vorschlägt, ist im Alltag wertvoller als eines, das einmal pro Woche einen theoretisch optimalen, aber starren Plan liefert.

Der Mensch bleibt der Planer.

In der Produktionsplanung steckt viel Erfahrungswissen, das in keinem System steht: dass ein bestimmter Kunde bei Verzug besonders empfindlich ist, dass eine Maschine bei einem bestimmten Material gern zickt, dass sich ein Rüstvorgang in der Praxis anders verhält als auf dem Papier. Ein KI-System kann diese weichen Faktoren nicht kennen.

Die sinnvolle Rollenverteilung ist deshalb klar: Das System rechnet Varianten durch, zeigt Engpässe auf, schlägt Pläne vor und spielt Szenarien durch. Der erfahrene Planer bewertet, ob der Vorschlag zur Realität passt, und entscheidet. KI als schneller, unermüdlicher Rechner im Hintergrund — der Mensch als verantwortlicher Entscheider im Vordergrund. So entsteht echter Nutzen, ohne dass jemand die Kontrolle über die eigene Fertigung an eine Blackbox abgibt.

Kapazität und Szenarien: das oft übersehene Drittel.

Neben Prognose und Reihenfolge gibt es die dritte Planungsfrage, die im KI-Hype gern untergeht: Reicht unsere Kapazität für das, was kommt? Hier geht es nicht um Vorhersage, sondern um das Durchspielen von Annahmen. Was passiert, wenn der Großauftrag kommt? Wenn eine Maschine zwei Wochen ausfällt? Wenn wir eine Schicht zusätzlich fahren?

Solche Was-wäre-wenn-Rechnungen sind enorm wertvoll, weil sie Engpässe sichtbar machen, bevor sie real werden. Man erkennt frühzeitig, wo es eng wird, und kann gegensteuern — Personal umplanen, Aufträge verschieben, extern vergeben. Wichtig ist die ehrliche Einordnung: Eine Szenariorechnung sagt nicht, was passieren wird, sondern was passieren würde, wenn die Annahmen stimmen. Ihr Wert liegt nicht in der Vorhersage, sondern darin, die Folgen von Entscheidungen vorab durchzudenken. Gerade weil die Realität sich nicht an Pläne hält, ist es klug, mehrere Szenarien parat zu haben statt einer einzigen, vermeintlich sicheren Zahl.

Warum „selbstlernende“ Versprechen skeptisch machen sollten.

Im Markt kursieren viele Angebote, die ein „selbstlernendes“ oder „KI-optimiertes“ Planungssystem versprechen, das angeblich von allein immer bessere Pläne macht. Hier ist gesunde Skepsis angebracht. Die folgenden Fragen trennen Substanz von Marketing:

Wer auf diese Fragen ausweichende Antworten bekommt, sollte vorsichtig sein. Seriöse Lösungen haben kein Problem damit, ihre Voraussetzungen und Grenzen offen zu benennen — im Gegenteil, sie tun es von sich aus.

Vorgehen in Stufen.

1. Eine konkrete Frage wählen: Nicht „die Produktionsplanung optimieren“, sondern z. B. „die Bedarfsprognose für die Hauptprodukte verbessern“ oder „die Reihenfolge an einem Engpass besser belegen“.
2. Datenlage prüfen: Reichen Historie und Stammdatenqualität für diese eine Frage? Wenn nicht, ist das der erste Arbeitsschritt.
3. Gegen die heutige Praxis messen: Das neue Verfahren parallel mitlaufen lassen und ehrlich vergleichen — ist es wirklich besser als die bisherige Planung?
4. Als Vorschlag einführen: Erst als Entscheidungshilfe, die der Planer prüft. Vertrauen entsteht durch erlebte Qualität, nicht durch Vorschusslorbeeren.
5. Ausweiten mit Augenmaß: Weitere Fragen oder Bereiche erst angehen, wenn der erste Schritt trägt.

Was ich aus der Praxis mitgebe.

• Erst die Frage, dann das Werkzeug. Prognose, Reihenfolge und Kapazität sind verschiedene Aufgaben — und brauchen verschiedene Verfahren.
• Nicht alles ist „KI“. Reihenfolgeplanung ist oft mit erklärbarer Optimierung besser gelöst als mit einem undurchschaubaren Lernmodell.
• Daten schlagen Modelle. Realistische Bearbeitungs-, Rüst- und Verfügbarkeitsdaten entscheiden mehr als der Algorithmus.
• Umplanen ist wichtiger als der perfekte Plan. Die Realität stört immer — wertvoll ist die schnelle, gute Reaktion.
• Der Planer entscheidet. Erfahrungswissen lässt sich nicht wegrechnen — KI rechnet vor, der Mensch verantwortet.

Sie wollen Ihre Produktionsplanung mit KI unterstützen — an der richtigen Stelle und mit realistischer Erwartung? Unverbindlich anfragen — wir klären, welche Planungsfrage sich lohnt, ob die Datenlage trägt und welches Werkzeug wirklich passt.