Stellen wir uns einen typischen Morgen im Service vor: Ein Techniker öffnet drei Systeme, sucht Seriennummern, scrollt durch PDFs, telefoniert mit Kollegen. Der Kunde wartet. Die Maschine steht. Und keiner hat sofort den Überblick.
Diese Realität kennen viele Maschinenbauer — vom Mittelstand bis zum globalen Anbieter. Dabei sitzt genau dort einer der größten ungehobenen Werte im Unternehmen: die installierte Basis.
Doch Transparenz über Maschinen im Feld, ihre Historie, ihre aktuelle Performance und die offenen Servicebedarfe fehlt häufig. Das kostet Zeit, Geld und Kundenvertrauen. Und es verhindert, dass Unternehmen aus reaktiven Einsätzen ein skalierbares, profitables Servicegeschäft entwickeln.
Die Lösung: eine Digitale Maschinenakte (IOTAM) — verbunden mit IoT-Daten, Servicehistorie und Dokumentation — und darüber eine Intelligenzschicht, die all diese Informationen versteht und zu Entscheidungen verdichtet. Aufgebaut auf der Salesforce-Plattform.
Warum Maschinenbauer heute zu wenig über ihre installierte Basis wissen
Der Maschinenpark beim Kunden ist das Rückgrat des After-Sales-Geschäfts. Doch die Informationen dazu liegen oft verstreut:
- Excel-Listen aus dem Vertrieb
- ERP-Daten zu Stücklisten
- Serviceberichte im PDF-Archiv
- IoT-Daten in eigenen Plattformen
- Know-how im Kopf einzelner Techniker
VDMA-Studien zeigen seit Jahren: Ein großer Teil aller Serviceinformationen liegt unstrukturiert vor, und nur wenige Unternehmen haben einen vollständigen, aktuellen Überblick über ihre installierte Basis.
Typische Fragen wie:- „Welche Maschinen stehen bei diesem Kunden und in welchem Zustand sind sie?“
- „Welche Anlagen haben wiederkehrende Probleme?“
- „Welche Serviceverträge laufen aus?“
führen heute zu manueller Recherche, Systemwechseln und Medienbrüchen.
Dabei benötigen Serviceleiter, Techniker, Vertrieb und Management ganz unterschiedliche Informationen — aber alle brauchen dieselbe Datenquelle.
Die Digitale Maschinenakte als Single Point of Truth
Die Digitale Maschinenakte (IOTAM) wird zum Single Point of Truth. Sie bündelt alle Informationen einer Maschine — strukturiert, versioniert, kontextualisiert.
Kernbestandteile:
- Asset-Struktur inkl. Maschinen, Komponenten, Ersatzteile
- Seriennummern, Standorte, Installationsdaten
- Servicehistorie, Materialien, Kostenvoranschläge
- Wartungspläne und Verträge
- Telemetriedaten: Betriebszustände, Fehlercodes, Leistungsindikatoren
- Dokumentation, Handbücher, Checklisten
- Digital Product Passport (DPP)
- Zugänge zu Remote Support und IoT-Funktionen
Am Beispiel einer Verpackungsmaschine sieht man im Salesforce-Interface auf einen Blick: den Maschinenstatus („Online“), Prozessparameter wie Temperatur, Produktionszahlen, Kontakt- und Standortdaten, die zugehörigen Service-Objekte sowie eingebundene Tools wie TeamViewer (Remote Support) oder Empolis (Servicewissen).
Genau diese Durchgängigkeit hebt die Maschinenakte auf das nächste Level — sie ist die strukturierte Datenbasis, auf der alles Weitere aufbaut.
Wissen Sie, in welchem Zustand Ihre Maschinen beim Kunden gerade sind?
In 30 Minuten zeigen wir an einem realen Asset-Beispiel, wie aus verstreuten Servicedaten eine belastbare Entscheidungsgrundlage wird — kein Folientermin, sondern Ihr konkreter Anwendungsfall.
→ Erstgespräch vereinbaren
Service Decision Intelligence: die Intelligenzschicht über der installierten Basis
Eine strukturierte Maschinenakte ist die Voraussetzung. Doch der eigentliche Hebel entsteht, wenn dieses Wissen im Alltag nutzbar wird — ohne dass jemand SQL schreibt, Dashboards baut oder zwischen Systemen springt. Genau das leistet Service Decision Intelligence (SDI): die Schicht, die fragmentierte Servicedaten verbindet und zu nachvollziehbaren Entscheidungen verdichtet.
Ein vereintes Datenmodell als Fundament
Damit SDI ihr Potenzial entfalten kann, braucht sie ein konsistentes Datenmodell — unabhängig davon, wo die Daten ursprünglich liegen. Vier Datenwelten fließen zusammen:
- Salesforce-Daten — Kunden, Assets, Verträge, Cases, Work Orders
- IoT-Telemetrie — Sensorwerte, Zustände, Ereignisse, Zeitreihen
- Servicewissen — Diagnosewissen, Schrittanleitungen, Lösungsartikel
- Historische Daten — Wartungshistorien, Versionsänderungen, Trends über Jahre
Im Zusammenspiel entsteht eine 360°-Sicht — nicht nur als Momentaufnahme, sondern über den gesamten Lebenszyklus einer Maschine. Über den Partner GRAX lässt sich dabei der vollständige CRM-Kontext samt Change- und Historienverläufen einbinden, ohne an API-Limits zu stoßen: Welche Werte hatten sich wann verändert? Welche Komponenten wurden ersetzt? Welche Fehler traten wiederholt auf?
Entscheidend ist, wo dieses Datenmodell betrieben wird: SDI läuft auf der Infrastruktur des Kunden und EU-konform. Die Datenhoheit bleibt im Unternehmen — eine Grundvoraussetzung dafür, dass Service- und Maschinendaten überhaupt für KI nutzbar werden.
Vom Datenmodell zur Entscheidung
Auf dieser Basis liefert SDI die Entscheidungslogik für KI-Agenten — etwa auf Salesforce Agentforce. Im Unterschied zu klassischen Chatbots greift ein solcher Agent nicht auf generische Wissensmodelle zu, sondern arbeitet mit den strukturierten Daten der eigenen installierten Basis:
- Er versteht Maschinen, Seriennummern, Hierarchien und Telemetrie.
- Er wertet Cases, Trends und Muster aus.
- Er kennt Verträge, SLA und Wartungspläne.
- Er kombiniert Wissen aus Systemen, die vorher getrennt waren.
Zwei Eigenschaften machen den Unterschied. Erstens: Jede Empfehlung kommt mit Quellennachweis — der Anwender sieht, auf welchen Daten eine Aussage beruht, statt einer Black-Box-Antwort vertrauen zu müssen. Zweitens ist SDI LLM-agnostisch (MCP/BYOM): Unternehmen binden das Sprachmodell ihrer Wahl an, statt sich an einen Anbieter zu binden. Und vor allem: Die Antwort kommt in natürlicher Sprache — kein SQL, kein Dashboard-Bau, keine Klickstrecken.
Beispiel aus dem Feld
Der Serviceleiter der (beispielhaften) PackoTec GmbH stellt eine typische Frage zu seinem Kunden Freshoria:
„Für den Account Freshoria — welche Assets sind dort im Einsatz, wie sehen die jüngsten Telemetriedaten aus, gibt es kritische Cases und welches Servicepaket könnte ich dem Kunden anbieten?“
Der Agent sammelt automatisch:
- 32 Assets aus dem Portfolio bei Freshoria
- Telemetrie mit mehreren kritischen Zuständen (u. a. Druckluftfehler, Siegelintegritätsprobleme, Temperaturabweichungen)
- 7 offene HIGH-Priority-Cases, alle zur gleichen Maschine
- Muster in Stillstandzeiten und Produktionsverlusten
Der Agent fasst zusammen, erkennt Korrelationen und schlägt konkrete Maßnahmen vor — von Sofortintervention bis Predictive Maintenance. Aus datenbasiertem Wissen entsteht eine echte, nachvollziehbare Handlungsempfehlung. Das spart Zeit, verhindert Ausfälle und steigert die Servicequalität.
Was jetzt möglich wird: konkrete Use Cases und messbarer Business Value
Proaktiver Service. Frage: „Welche Maschinen überschreiten bald ihre Wartungsintervalle?“ Nutzen: planbare Einsätze, weniger Ausfälle, bessere SLA-Performance.
Retrofit-Kampagnen. Frage: „Alle Kunden mit Modell X, Baujahr vor 2020?“ Nutzen: gezielte Kampagnen, höhere Abschlussquoten.
Troubleshooting in Echtzeit. Frage: „Fehlercode E-401 — Ursache, Lösung, zukünftige Prävention?“ Nutzen: kürzere Diagnosezeiten, weniger Wiederholfehler.
Vertriebschancen erkennen. Frage: „Welche Serviceverträge laufen in Q1 aus?“ Nutzen: proaktive Verlängerungen, höherer Service-Umsatz.
Management-Reporting. Frage: „Wie hat sich die Ausfallrate von Modell Y entwickelt?“ Nutzen: datenbasierte Produktentscheidungen, Qualitätsfeedback in die Entwicklung.
Die Verbindung aus Maschinenakte, Telemetrie, Wissen und SDI schafft einen systematischen Mehrwert: weniger Suche, mehr Handlung, höhere Servicequalität, skalierbare Umsätze.
Warum das funktioniert — und warum jetzt
Drei Trends machen dieses Modell besonders relevant:
Integration statt Insellösungen. Serviceportale, IoT-Plattformen, CRM, Ticketsysteme: Was früher getrennt war, fließt in einem Datenmodell zusammen.
KI braucht Struktur. KI entfaltet ihre Stärke nicht mit PDFs im Fileshare — sondern mit sauberen, eindeutigen, versionierten Datensätzen.
Der Fachkräftemangel im Service. Teams werden kleiner, Maschinen komplexer. Was zählt: schnelle Diagnose, weniger manuelle Arbeit, intelligenter Support.
logicline verbindet diese Punkte — mit Salesforce als Plattform und mit Expertenwissen für industrielle Serviceprozesse. Das Ergebnis: klare Datenmodelle, vernetzte Portale, IoT-Integration und KI-Agenten, die sofort praxisrelevante Antworten liefern. Diese Basis macht Serviceorganisationen skalierbar und resilient.
Wie Unternehmen starten können
Schritt 1: Installierte Basis strukturieren. Seriennummern, Standorte, Komponenten, Wartungspläne — sauber modelliert in Salesforce.
Schritt 2: Telemetrie integrieren. Zeitreihen, Fehlercodes, Energie- und Prozessdaten ins Datenmodell überführen.
Schritt 3: Wissen verknüpfen. Empolis- oder eigene Wissensbasen direkt in Cases, Assets und Fehlerbilder integrieren.
Schritt 4: SDI und KI-Agenten einsetzen. Mit Service Decision Intelligence und Agentforce domänenspezifische Agenten auf den eigenen Unternehmensdaten arbeiten lassen.
Schritt 5: Use Cases priorisieren. Proaktive Wartung, Kampagnen, Self-Service, Remote Support — nach Business Impact sortieren.
In der Praxis beginnt dieser Weg meist mit einem Installed Base Assessment: einer strukturierten Aufnahme der verstreuten Daten, die zeigt, wo die schnellen Hebel liegen.
Ausblick: vom reaktiven Betrieb zum intelligenten Service-Ökosystem
Die Digitale Maschinenakte ist ein großer Schritt, SDI der nächste. Beide sind Teil eines Stufenmodells, das den Weg vorgibt: Digitalisieren (strukturierte Maschinenakte) → Vernetzen (Portale und IoT) → Entscheiden (Service Decision Intelligence) → Automatisieren (autonome Service-Agenten).
Die Reise geht entlang dieser Stufen weiter:
- Predictive Maintenance durch Mustererkennung über den gesamten Lebenszyklus
- Autonome Handlungsempfehlungen: vom Hinweis zur konkreten Aktion
- Nahtlose Integration in Teams, Slack und Mobile
- Self-Service-Portale, die Kundenfragen eigenständig beantworten
- Automatisierte Ersatzteilvorhersagen
- Vergleichsanalysen über Flotten hinweg
Maschinenbauer werden so vom Fehlerlösungsbetrieb zum Anbieter intelligenter Services — zuverlässig, skalierbar, profitabel.
Nächster Schritt
Intelligenter Service ist kein Tooling-Problem, sondern ein Datenproblem. Wer seine installierte Basis nicht strukturiert kennt, kann sie weder proaktiv betreuen noch zum Wachstumstreiber machen — unabhängig davon, wie gut die KI dahinter ist. Zwei pragmatische Einstiege, je nachdem, wo Sie heute stehen:
- Installed Base Assessment — wenn Ihre Maschinendaten noch über Excel, ERP und PDF-Archive verstreut sind und Sie zuerst eine belastbare Datenbasis brauchen.
- Erstgespräch — wenn Ihre Datenbasis steht und Sie konkret über Maschinenakte, SDI und KI-Agenten sprechen wollen.
FAQs
Wie schnell lässt sich eine Digitale Maschinenakte einführen?
Der Einstieg ist in der Regel innerhalb weniger Wochen möglich. Man beginnt mit der Strukturierung der installierten Basis (Maschinen, Seriennummern, Standorte, Dokumente) und integriert später Telemetrie- und Servicehistorien. Kein Big Bang — modularer Ausbau nach Bedarf.
Brauche ich zwingend IoT-Daten, um den KI-Agenten zu nutzen?
Nein. Der Agent kann bereits mit CRM-, Asset- und Case-Daten arbeiten. IoT-Daten erhöhen aber den Nutzen deutlich, weil Service Decision Intelligence dann Zustände, Trends und Muster in Echtzeit analysieren kann.
Ersetzt der KI-Agent Servicetechniker?
Nein. Er übernimmt Recherche, Auswertung und Zusammenführung großer Datenmengen, ersetzt aber nicht die technische Expertise. Techniker profitieren von schnellerer Diagnose, klaren Handlungsempfehlungen und weniger manueller Informationssuche.
Wie profitieren Kunden davon?
Kunden erhalten schnellere Reaktionszeiten, präzisere Diagnosen und Zugang zu einem Self-Service-Portal mit eigener Maschinenakte. Service wird transparenter, planbarer und wirkt professioneller — ein klarer Wettbewerbsfaktor im Maschinenbau.
