KI für Produktkonfiguratoren: individuell statt Katalog.

Im Maschinenbau, in der Möbelindustrie, in der Antriebs- und Elektrotechnik gibt es Produkte, die formal Standard heißen, faktisch aber in jeder Bestellung individuell konfiguriert werden. Excel-Tabellen, Word-Templates, sehr erfahrene Vertriebsmitarbeiter — diese Trias hält viele Konfigurationsprozesse am Leben, ist aber teuer, fehleranfällig und skaliert nicht. Klassische CPQ-Systeme (Configure-Price-Quote) versuchen das seit Jahren zu lösen, scheitern aber häufig an der Komplexität der Regeln. KI verändert die Gleichung: Sie kann Plausibilität in unscharfen Bereichen prüfen, dem Kunden im Dialog Optionen vorschlagen und unmögliche von schwierigen Varianten trennen. Was sich dahinter wirklich an Effizienz heben lässt — und wo die nüchtern erwartbaren Grenzen liegen — ist das Thema dieses Artikels.

Warum klassische Konfiguratoren oft nur teilweise funktionieren.

Konfiguratoren leben von Regeln: Wenn A gewählt wird, dann ist B nicht möglich, dann ist C zwingend, dann ist der Preis um X Prozent zu erhöhen. Für ein Produkt mit zehn Konfigurationsachsen entstehen schon hunderte Regeln. Bei dreißig Achsen und Sonderwünschen wird die Regelpflege schnell unbeherrschbar — und genau hier liegt der Engpass klassischer CPQ-Systeme.

Hinzu kommt: Viele Konfigurationsentscheidungen lassen sich nicht in harten Regeln abbilden, weil sie kontextabhängig sind. „Diese Materialkombination funktioniert in Innenräumen, draußen nur mit Zusatzbeschichtung — außer der Kunde verzichtet auf 10 Jahre Gewährleistung, dann auch ohne.“ Solche Bedingungen landen in Fußnoten, im Kopf erfahrener Mitarbeiter oder gar nicht im System.

Das Ergebnis ist eine Mischwelt: Der Konfigurator deckt den Standardfall ab, alles Komplexere geht in den manuellen Vertriebsprozess zurück. Damit wird der Konfigurator zum 30-Prozent-Werkzeug, das den eigentlichen Hebel — die individuelle Anpassung — nicht erschließt.

Wo KI in der Konfiguration ansetzt.

KI ergänzt klassische Regelwerke um zwei Funktionen: Sie kann unscharfe Plausibilitätsfragen beurteilen und sie kann den Dialog mit dem Kunden so führen, dass er das richtige Produkt findet, ohne alle technischen Begriffe zu kennen.

Die Plausibilitätsfunktion bedeutet: Wenn ein Kunde eine ungewöhnliche Kombination wählt, prüft das Modell aufgrund vergangener Aufträge, ob diese Kombination realistisch ist, ob sie Probleme verursachen könnte oder ob sie schon einmal so geliefert wurde. Es schlägt gegebenenfalls eine Alternative vor oder leitet die Anfrage an einen Vertriebsmitarbeiter weiter, der die Sonderkonstellation prüft.

Die Dialogfunktion bedeutet: Der Kunde beschreibt, was er braucht — „Eine Steuerung für meine Anlage, die mit unserer Bestandstechnik kompatibel ist und drei zusätzliche Sensoren aufnimmt.“ Das Modell extrahiert daraus die technischen Anforderungen, gleicht sie mit dem Produktkatalog ab und schlägt eine passende Konfiguration vor. So entsteht ein Konfigurator, der sich eher wie eine Beratung anfühlt.

Plausibilitätsprüfung statt starrer Regeln.

Ein konkretes Beispiel macht den Unterschied deutlich. Bei einem variantenreichen Antrieb für die Industrie gibt es Standardkombinationen — Motor X mit Getriebe Y bei Drehzahl Z. Daneben gibt es Sonderwünsche, die formal zulässig, aber selten sind. Klassisch landen solche Anfragen entweder im manuellen Bearbeitungsbereich oder werden vom Konfigurator irrtümlich abgelehnt.

Ein KI-gestütztes System nutzt die historischen Auftragsdaten, um Wahrscheinlichkeiten für Kombinationen zu lernen. Es kann unterscheiden zwischen „theoretisch möglich, aber nie gemacht — Klärung empfohlen“, „selten, aber bekannt — Standardprozess möglich“ und „nicht gefertigt, abgelehnt“. Diese Differenzierung war manuell nur über erfahrene Vertriebsmitarbeiter möglich.

Damit wird der Konfigurator zum Werkzeug, das nicht mehr nur ja oder nein sagt, sondern den Vorgang differenziert lenkt. Die Vorteile sind zweischneidig sichtbar: weniger Anfragen, die ohne Grund in der manuellen Bearbeitung landen, weniger Aufträge, die wegen unrealistischer Konfiguration nachträglich überarbeitet werden müssen.

Dialogführung in natürlicher Sprache.

Die zweite große Funktion ist die natürliche Sprachführung. Klassische Konfiguratoren zwingen den Kunden, sich durch eine Optionsmatrix zu klicken — Spannung, Leistung, Bauform, Schutzart. Das funktioniert für Profikunden, die ihre Anforderung exakt kennen. Für Gelegenheitskunden, technisch weniger versierte Kunden oder spezifische Sonderfälle ist diese Struktur eine Hürde.

KI-Modelle erlauben einen anderen Einstieg: Der Kunde beschreibt sein Anwendungsszenario in eigenen Worten — die Maschine, in die das Produkt eingebaut werden soll, die Umgebung, die Anforderungen. Das Modell stellt Rückfragen, leitet die technischen Parameter ab und schlägt eine Konfiguration vor.

Das ist nicht in jedem B2B-Kontext sinnvoll — in eingespielten Kundenbeziehungen mit erfahrenen Einkäufern wäre dieser Modus eher umständlich. Aber für Neukunden, kleinere Bestellungen, Ersatzteilanfragen oder Branchen mit Wechselkunden senkt es die Schwelle deutlich.

Vertriebsmitarbeiter entlasten — nicht ersetzen.

Eine häufig genannte Sorge bei Konfigurator-Projekten ist die Frage, was aus dem erfahrenen Vertriebspersonal wird. Die ehrliche Antwort: KI-Konfiguratoren übernehmen die Standardfälle, die Mengenfälle, die einfachen Sonderfälle. Sie übernehmen nicht die komplexen Großaufträge, die strategischen Kundenbeziehungen, die echten Sonderkonstruktionen.

Tatsächlich ist die Entlastungslogik der größere Hebel. In Projekten zeigt sich regelmäßig, dass Vertriebsmitarbeiter 40 bis 60 Prozent ihrer Zeit für Standardkonfigurationen aufwenden, bei denen sie kaum Mehrwert bringen. Wer diesen Anteil halbiert, gewinnt Zeit für Akquise, Bestandskundenpflege und die wirklich komplexen Anfragen.

Die Akzeptanz im Vertrieb hängt davon ab, wie das Projekt eingeführt wird. Wer KI als Effizienzwerkzeug verkauft, gewinnt Mitstreiter. Wer es als Ersatz präsentiert, bekommt vorhersehbar Widerstand — und damit die wichtigsten Wissensträger gegen sich, ohne die das Projekt nicht funktioniert.

Integration mit ERP, CRM und Kalkulationsmodellen.

Ein Konfigurator ist nur so gut wie seine Anbindung an die nachgelagerten Systeme. Die Konfiguration muss in der Kalkulation landen, die wiederum mit dem ERP synchronisiert sein muss, die Auftragsdaten gehen ins CRM. KI ändert daran nichts — sie steht auf den Schienen, die ohnehin gelegt werden müssen.

Häufige Stolpersteine in dieser Integration:

• Kalkulationen, die in Excel laufen und nicht systemisch abgebildet sind.
• Stücklisten, die für jede Variante neu gepflegt werden müssen.
• Stammdaten zwischen PIM, ERP und Konfigurator, die nicht synchronisiert sind.
• Sonderpreisstrukturen für Stammkunden, die nicht maschinell abrufbar sind.

Diese Punkte sind nicht trivial. Wer einen KI-Konfigurator baut, ohne die Datenbasis und die Systemintegration zu klären, baut eine elegante Oberfläche, deren Output dann manuell in andere Systeme übertragen werden muss. Damit verlagert sich der Aufwand, statt sich zu reduzieren.

Wo die Grenzen liegen.

Ein KI-Konfigurator ersetzt keine technische Beratung, wenn Produkte hochgradig kundenspezifisch sind. Für klassische Sonderkonstruktionen, Anlagenbau auf Auftrag, Architekturprojekte: Hier ist der Konfigurator nur eine Vorstufe — eine erste Plausibilitätsprüfung — bevor das eigentliche Projektgespräch beginnt.

Zweitens: Bei sicherheitsrelevanten Produkten — Druckbehälter, Hebezeuge, medizintechnische Komponenten — darf eine KI-vorgeschlagene Konfiguration nie unkontrolliert in die Fertigung gehen. Die regulatorische Verantwortung bleibt beim Hersteller, und das bedeutet menschliche Endprüfung jeder Konfiguration.

Drittens: Die Modelle lernen aus historischen Daten. Das funktioniert für eingespielte Sortimente. Bei Produkteinführungen oder strategischer Sortimentserweiterung ist die Datenbasis dünn, das Modell entsprechend unsicher. Hier muss in der Übergangszeit verstärkt manuell geprüft werden.

Was Geschäftsführer prüfen sollten.

Drei Fragen lohnen sich vor einem Konfigurator-Projekt. Erstens: Wie hoch ist der Anteil standardisierbarer Anfragen im aktuellen Vertriebsaufkommen? Wenn 80 Prozent der Anfragen schon heute nach Schema laufen, ist der Hebel groß. Wenn 80 Prozent echte Sonderlösungen sind, lohnt sich primär eine Kalkulationsverbesserung, kein Konfigurator.

Zweitens: Wie gepflegt sind die Stammdaten zu den Produkten — Stücklisten, Preise, Verfügbarkeit, Lieferzeiten? Ein Konfigurator legt diese Datenqualität gnadenlos offen. Wer hier Lücken hat, sollte vor dem Konfigurator-Projekt Aufräumarbeit leisten.

Drittens: Welche Vertriebsorganisation soll bleiben, welche soll sich verändern? Wer das nicht klärt, riskiert Reibung. Ein realistischer Pilot startet mit einer abgegrenzten Produktlinie, bezieht die erfahrenen Vertriebsmitarbeiter als Wissensträger ein und misst nach drei bis sechs Monaten Konversionsrate, Bearbeitungszeit und Rückfragequote. Auf dieser Basis lässt sich entscheiden, ob der Roll-out auf weitere Produktlinien sinnvoll ist.

Sie überlegen, einen KI-gestützten Konfigurator für Ihre variantenreichen Produkte einzuführen? Unverbindlich anfragen — wir prüfen gemeinsam Sortimentsstruktur, Datenqualität und sinnvolle Einstiegslinien.