Ersatzteil fotografieren, in Sekunden identifizieren, direkt bestellen: KI-basierte Ersatzteilerkennung verwandelt einen der zähesten Serviceprozesse im Maschinenbau in einen Self-Service.
Eine Ersatzteilanfrage läuft in vielen mittelständischen Industrieunternehmen heute noch so: Teil mit Seriennummer fotografieren, E-Mail an den Service, Rückfragen über die Hotline oder per „ewigem E-Mail-Ping-Pong", wie es Dominik Neubauer nennt. Er ist seit rund 3 Jahren Product Owner des CXplore Equipment Viewer bei All for One und muss es wissen: Self-Service-Prozesse verkürzen die Bearbeitung von Ersatzteilbestellungen um mehr als 50 % [1]. Für diesen Artikel hat er uns Rede und Antwort gestanden, zu Technik, Praxisfällen und den Grenzen der KI-Bilderkennung.
KI-basierte Ersatzteilerkennung identifiziert Bauteile anhand eines Smartphone- oder Tablet-Fotos: Eine trainierte Bilderkennung gleicht das Foto mit der Stückliste ab und liefert in Sekunden das passende Ersatzteil, inklusive Bestellmöglichkeit. Aus einem Prozess mit Medienbrüchen (Foto, E-Mail, Hotline, manuelle Auftragsanlage) wird ein einziger digitaler Ablauf.
Entstanden ist der CXplore Equipment Viewer von All for One aus einem wiederkehrenden Kundenproblem: „Unsere ersten Kunden hatten ihre Daten gut strukturiert im SAP ERP, aber keine Möglichkeit, sie ihren Endkunden einfach zugänglich zu machen", erinnert sich Dominik Neubauer. Die Lösung entlastet interne Serviceteams und gibt Endkunden zugleich eine moderne Plattform für Ersatzteilbestellungen.
Wichtig dabei: Die KI-Bilderkennung ist einer von 3 Wegen, ein Teil zu identifizieren. Daneben stehen die klassische Suche im Navigationsbaum und der direkte Klick im 2D- oder 3D-Modell der Maschine. Wer das Foto nicht scharf bekommt, kommt trotzdem ans Ziel.
Der Equipment Viewer wurde auf Basis der SAP Business Technology Platform (BTP) entwickelt und um KI-Bilderkennung erweitert. Computer-Vision-Netze, also maschinelles Bilderverstehen, lassen sich auf das komplette Teilespektrum eines Herstellers trainieren. Die Trefferquote des Equipment Viewer liegt bei über 95 %, abhängig von der Menge der Trainingsbilder [1]. Bringt ein Unternehmen bereits ein eigenes Bilderkennungssystem mit, lässt sich auch dieses anbinden.
Bei den Daten geht der Equipment Viewer einen bewussten Sonderweg: Stammdaten und Stücklisten werden über ein Integration-Adapter-Framework in den Equipment Viewer repliziert, statt live aus dem ERP abgefragt zu werden. Als Quelle dienen das SAP ERP, eine Service Cloud oder auch Drittsysteme. Der Grund ist Performance: Viele Maschinen bestehen aus tausenden Einzelteilen in verschachtelten Baugruppen, und ein Self-Service-Portal erzeugt viele Lesezugriffe. Die SAP-Standard-Datenstrukturen sind dafür nicht ausgelegt. Im Equipment Viewer liegen die Daten deshalb in einer HANA-Datenbank, optimiert auf schnelle Anzeige. Endanwender warten nicht.
Die dritte Ebene ist das Frontend: Die 2D/3D-Anzeige samt KI-Erkennung wird als Webcomponent in das System eingebettet, mit dem Ihre Anwender ohnehin arbeiten:
SAP Commerce Cloud: Bestellung direkt im Shop
SAP Field Service Management: Tablet-Einsatz im Außendienst
SAP Service Cloud: Ticket- und Serviceprozesse
Self-Service-Portal auf der BTP oder eine Drittlösung
Der Aftermarket ist im Maschinenbau ein Ergebnisträger: Bei den Gewinnerunternehmen der Branche steuert das Aftersales- und Servicegeschäft über 20 % zum Umsatz bei, mit Renditen von mehr als 25 % (Munich Strategy, 2024) [2]. Und das Feld wächst: 2024 setzten deutsche Industrieunternehmen rund 166 Milliarden Euro mit produktbegleitenden Dienstleistungen um, der Maschinenbau liegt dabei vorn (ifo Institut, Januar 2026) [3]. Genau hier setzen die 4 Anwendungsfälle des Equipment Viewer an.
1. Servicetechniker im Außendienst
Ein defektes Teil an der Maschine, aber kein Katalog zur Hand: Techniker fotografieren das Bauteil vor Ort, prüfen Verfügbarkeit und lösen die Bestellung direkt aus, ganz ohne Rückruf beim Innendienst.
Nutzen: Identifikation und Bestellung in einem Termin statt in mehreren Schleifen über die Service-Hotline.
2. Self-Service für Endkunden
Ein Schweizer Industrieunternehmen betrieb ein in die Jahre gekommenes Self-Service-Portal: Kunden tippten 20-stellige Materialnummern von Hand ein, und „Bestellen" hieß dort, eine E-Mail an den Service-Innendienst auszulösen. Der prüfte dann die Materialnummer, pflegte das Equipment und legte den Auftrag manuell an. Dazu kam eine Alt-Integration mit SAP ECC, die aktuellen Sicherheitsanforderungen nicht mehr genügte. Mit dem Equipment Viewer entsteht dort gerade ein neues Portal, in dem Endkunden Teile selbst identifizieren und bestellen, KI-Bilderkennung inklusive.
Nutzen: über 50 % Zeitersparnis im Bestellprozess: direkter Kanal, weniger Fehlbestellungen, einfachere Identifikation, systemgestützte Auftragsanlage [1].
3. Crowd Services
Wo spezialisierte Techniker fehlen, rüstet die Bilderkennung auch weniger spezialisierte Servicekräfte mit Hersteller-Wissen aus: Das Foto ersetzt die jahrelange Teilekenntnis.
Nutzen: Serviceeinsätze werden planbarer, weil die Teile-Identifikation nicht mehr an einzelnen Experten hängt.
4. Cross- und Upselling
Wer ein Ersatzteil bestellt, braucht oft mehr: Verbrauchsmaterial, Dienstleistungen, Wartungspakete. Der Equipment Viewer zeigt Zubehör und Services direkt im Bestellprozess an. Wie KI solche Empfehlungen im Onlinehandel steuert, beschreibt unser Beitrag KI im E-Commerce.
Nutzen: Zusatzumsatz im Aftermarket, ohne zusätzlichen Vertriebsaufwand.
Die Ersatzteilerkennung ist kein Insel-Tool, sondern ein einbettbares Modul: Sie erweitert das Kundenportal, das Ticketmanagement oder das Field Service Management, das Sie bereits nutzen. Genau in dieser Nähe zum SAP-Standard sieht Neubauer den entscheidenden Unterschied zu spezialisierten Anbietern wie Partium oder ITK Engineering: „Die meisten Kunden haben SAP-ERP-Systeme im Einsatz, aus denen die Daten kommen müssen. Nur die wenigsten Drittanbieter können stabile SAP-Anbindungen bieten."
Ehrlich benennt er auch die eigene Grenze: Bei 3D-Modellen aus Drittanbieter-Tools ist der Equipment Viewer nah an den SAP-Standardformaten. Andere Formate binden spezialisierte Partner ein, die auf solche Transformationen ausgerichtet sind.
Sie sollten 2 Voraussetzungen mitbringen, damit sich die Einführung lohnt:
Ein gepflegtes Datenset: Stücklisten, Stammdaten, idealerweise Bilder
Eine Systemlandschaft nach dem *Clean-Core-Prinzip*: nah am SAP-Standard, ohne Wildwuchs an Eigenentwicklungen
„Die technische Lösung allein kann nicht alles abfangen. Die Hausaufgaben bei den Daten müssen vorher gemacht sein", sagt Neubauer.
KI-Bilderkennung ist kein Selbstläufer. Vier Grenzen sollten Sie kennen:
Lichtverhältnisse und Bildqualität. Ein unscharfes Foto in dunkler Werkhalle erkennt auch die beste KI nicht. Lösung: geführter Foto-Workflow im Frontend, dazu der Navigationsbaum als Fallback.
Sehr ähnliche Varianten. Bauteile, die sich nur in Details unterscheiden, sind schwer zu trennen. Lösung: das 2D/3D-Modell als zweiter Identifikationsweg plus Stücklisten-Filter.
Trainingsaufwand je Hersteller. Jedes Maschinenprogramm braucht eigene Trainingsdaten; die Trefferquote steigt mit der Datenmenge. Lösung: schrittweise trainieren, mit dem wichtigsten Teilespektrum beginnen.
Genug Bilder je Bauteil. Ohne ausreichende Bildbasis keine verlässliche Erkennung. Lösung: Bildbestand vorab prüfen; 360°-Fotografie baut die Datenbank auf und liefert zugleich Bilder für den E-Commerce.
Und für wen ist die Lösung (noch) nichts? Wer ungepflegte Stammdaten hat, stark vom SAP-Standard abweicht oder ohne Cloud-Strategie unterwegs ist, sollte erst diese Basis schaffen und dann in den Prototyp starten.
KI-basierte Ersatzteilerkennung ist einer der seltenen KI-Anwendungsfälle, die sich ohne Strategie-Debatte rechnen: Der Prozess ist klar umrissen, der Nutzen messbar und die Technik bereits produktiv im Einsatz. Ein erster Prototyp ist in rund 8 Wochen machbar. Und die Datenbasis, die dabei entsteht, öffnet die Tür zu weiteren KI-Anwendungen im Service, etwa Predictive Maintenance. Wohin diese Entwicklung im SAP-Ökosystem führt, beschreiben wir im Artikel Agentic AI: nächste Stufe der SAP-Transformation.
5 Empfehlungen für Ihren Einstieg:
Wählen Sie einen konkreten Use Case.Am besten ein Service-Szenario mit hoher Hotline- und E-Mail-Last. Dort ist der Effekt sofort spürbar.
Machen Sie eine Daten-Inventur.Welche Stücklisten, Stammdaten und Bilder liegen vor? Was fehlt für das KI-Training?
Prüfen Sie Ihre Systemlandschaft. Je näher am SAP-Standard (Clean Core), desto schneller die Integration.
Bauen Sie Ihre Bildbasis auf. 360°-Aufnahmen der wichtigsten Teile dienen doppelt: als Trainingsdaten und als Produktbilder.
Starten Sie klein – aber starten Sie. Ein Prototyp in 8 Wochen liefert mehr Erkenntnis als 6 Monate Konzeptarbeit.
Was ist KI-basierte Ersatzteilerkennung?
Eine KI analysiert Smartphone- oder Tablet-Fotos und identifiziert das fotografierte Bauteil aus der Stückliste, in Sekunden und mit direkter Bestellmöglichkeit.
Wie hoch ist die Trefferquote?
Über 95 % auf trainierten Bauteilen. Der Wert hängt von der Menge der Trainingsbilder und der Bildqualität ab [1].
Wie lange dauert ein erster Prototyp?
Rund 8 Wochen, vorausgesetzt, Stücklisten und Bilddaten liegen in brauchbarer Qualität vor.
Welche Hardware brauchen die Anwender?
Ein Smartphone oder Tablet genügt. Das Frontend ist mobil nutzbar, die Bestellung lässt sich direkt vor Ort auslösen.
Wie integriert sich die Lösung in SAP?
Daten aus SAP ERP oder Service Cloud werden über ein Adapter-Framework in den Equipment Viewer repliziert (HANA-Basis, BTP). Die Anzeige wird per Webcomponents in SAP Commerce Cloud, Field Service Management, Service Cloud oder Portale eingebettet.
Ist das schon im Einsatz?
Ja. Eine erste Implementierung bei einem Schweizer Industrieunternehmen läuft, ein weiterer Kunde hat bereits beauftragt.
Was sind die größten Hürden?
Bildqualität, sehr ähnliche Bauteil-Varianten, Trainingsaufwand und eine ausreichende Bildbasis, dazu gepflegte Stammdaten als Grundvoraussetzung.