SKDV-Service Dialog 2026 auf der maintenance Schweiz: «A priori braucht es gar keine Künstliche Intelligenz

Jetzt kostenlos die maintenance Schweiz besuchen: Prof. Dr. Jürg Meierhofer, Leiter des Forschungsschwerpunkts «Smart Services and Operations», spricht auf der maintenance Schweiz vom 26. bis 27. August zum Thema Künstliche Intelligenz.

von Prof. Dr. Jürg Meierhofer, ZHAW* || 20. August 2026

Herr Professor Meierhofer, welche Voraussetzungen müssen erfüllt sein, damit ein Hersteller oder KMU für Instandhaltungsdienstleistungen den Sprung von kostenbasierten zu wertbasierten Preismodellen schafft?

Man muss verstehen, wie und wo man für die Kunden Wert schafft. Das steht ganz am Anfang. Die Überlegung, wo die Kunden in ihrer Produktion ihre Pains haben, ist die notwendige Voraussetzung. Diese Kette muss man durchgearbeitet haben.

Weiterbildung und Networking zum Nulltarif: Der Eintritt zur maintenance Schweiz und allen Vortragsflächen ist kostenlos. Vor Ort werden die Besuchenden mit Getränken und Snacks versorgt. Ein kostenloses Ticket kann mit dem Einladungscode «1411» auf der Website gesichert werden.

Dann kommt eine interne Voraussetzung beim Hersteller selbst: Er muss in der Lage sein, die Logik umzustellen. Wertbasiert bedeutet nämlich, dass nicht mehr alle Kunden den gleichen Preis zahlen – weil nicht alle den gleichen Wert erhalten.

Das setzt voraus, dass man die Kommunikation des Angebots entsprechend aufbereitet. Es darf nicht widersprüchlich wirken, dass unterschiedliche Kunden für vermeintlich das Gleiche verschiedene Preise zahlen. Denn es ist eben nicht mehr das Gleiche.

Von der Rechnungsstellung bis zur Kommunikation muss man darauf ausgerichtet sein und es als kundenindividuelle Lösung vermitteln, in der die Technik nur ein Teil ist. Das ist letztlich Business-Engineering. Das verdeutlicht, dass es um kundenindividuelle Pains und Herausforderungen geht, die man kennen muss. Das bilden wir an der ZHAW unter anderem am Institut für Data Science (IDS) aus, zum Beispiel im CAS Smart Services: von datengetriebener Innovation zur digitalen Wertschöpfung.

Für welche Unternehmen und Anlagentypen eignen sich outputorientierte Servicemodelle, bei denen das Ergebnis statt einzelner (Maintenance-)Einsätze im Vordergrund steht?

Weil outputorientierte Modelle neu sind, lässt sich das noch nicht auf breiter Basis beantworten. Sie sind noch nicht sehr verbreitet. Was man jedoch bereits sieht: Sie eignen sich dort, wo Verfügbarkeit oder die erwartete Qualität für das Kundenunternehmen besonders kritisch ist. Es gibt Fälle, in denen eine Anlage zwar wichtig ist, aber nicht unternehmenskritisch. Wenn dort einmal etwas nicht stimmt, können sich die Kunden arrangieren, in der Zwischenzeit etwas anderes tun oder kompensieren. Dort sind solche Modelle weniger angebracht. Anders, wenn es sehr kritisch ist und der Kunde ein grosses Problem hat, sobald die Anlage nicht liefert: Dann ist der Value of Pain entsprechend hoch. Genau dort passen outputorientierte Modelle.

Wo sich outputorientierte Modelle lohnen

Können Sie ein Beispiel für eine solche kritische Anlage nennen, das zeigt, dass so etwas komplex analysiert werden muss und sich nicht mit einzelnen Einsätzen abbilden lässt?

Es gibt Produktionen bei Kunden, die hoch industrialisiert sind. Der industrielle Trend geht dahin, zumeist im Schichtbetrieb. Dann hat jede Betriebsstunde oder gar jede Minute einen konkreten Wert, weil laufend Endprodukte aus der Produktion kommen. Jede Minute Stillstand lässt sich direkt mit dem Taximeter in Franken umrechnen. Dem stehen eher manufakturartige Betriebe gegenüber, die eine Anlage sporadisch einsetzen und dann etwas anderes damit machen – zum Beispiel bei Nischenanbietern, deren Endkunden ebenfalls in spezialisierte Nischen sind. Das hat absolut seine Berechtigung. Dort besteht jedoch viel mehr Flexibilität, etwas zeitlich umzuschichten: Was man für Montag geplant hat, lässt sich vielleicht auch am Mittwoch erledigen. Im hoch industrialisierten Fall geht das nicht und dort lohnt sich die genaue Analyse.

Kann man sagen: In der Hochtechnologieproduktion ist das besonders relevant oder gilt es auch für KMU mit einfacheren Prozessen?

Hochtechnologie gibt es auch im manufakturartigen Umfeld. Entscheidend ist aber die industrialisierte, serielle Massenproduktion – besonders dann, wenn der Output sehr hochwertig ist. Im Prinzip kann man sagen: Sobald es eine Massenproduktion ist – also für ein Produkt, das für sich nur einen kleinen Wert hat, jedoch in sehr hoher Stückzahl anfällt –, ist es trotzdem viel wert, wenn die Anlage eine Stunde stillsteht. In solchen Umgebungen ist das immer relevant.

Kann es demnach für KMU mit einzelnen Servicetechnikereinsätzen relevant sein, outputorientiert zu denken?

Ja. Nur würde ich die Entscheidung nicht den Servicetechnikern aufbürden, sondern sie ein, zwei Schritte früher treffen, beispielsweise im Scheduling, wo entschieden wird, wer eingesetzt wird, oder sogar schon dort, wo der Servicevertrag mit den Kunden vereinbart wird. Es gibt Störungsmeldungen oder Bedarfsanfragen, deren Kritikalität man unterschätzt. Analysiert man den Value of Pain, sollten diese Unterschiede deutlich herauskommen.

Dann gibt es für unterschiedliche Fälle verschiedene Servicekomponenten, die abgerufen werden. Im Störungsfall geht es darum, zu erkennen, welche Kritikalität das jetzt hat. Das sollte ins Scheduling einfliessen. Wir hatten einen Fall mit limitierten Serviceressourcen: Ein Hersteller hatte begrenzte Kapazitäten und mehrere Kunden meldeten gleichzeitig Störungen. Dann kam unweigerlich die Frage auf, wohin man zuerst geht. Eben nicht «first come, first served», sondern abhängig von der Kritikalität – hergeleitet aus der vorangegangenen Analyse der Value of Pains und dem jeweiligen Servicevertrag.

Daten, Machine-Learning und KI – mit Augenmass und in drei Horizonten

Welchen Wert haben die Nutzungsdaten aus dem Feld über das einzelne Serviceangebot hinaus, etwa für Produktverbesserung und Innovation?

Aus Servicesicht haben die Daten zunächst einen Trainingscharakter: Wenn ich mit KI- oder Machine-Learning-Modellen etwas vorhersagen oder einen Zustand beurteilen will, brauche ich Trainingsdaten – sogenannte annotierte, also «gelabelte» Daten aus der Vergangenheit. Im laufenden Betrieb brauche ich die Daten, um im laufenden Servicefall zu entscheiden, was gerade vorliegt. In die Zukunft gedacht haben die Daten immer einen Wert, um zu verstehen, wo es in der nächsten Produkt- oder Servicegeneration wiederkehrende Probleme gab.

Das untersucht man dann in der Root-Cause-Analyse. Oder innovationsgetrieben: Gibt es Funktionen, die kaum genutzt werden, oder solche, die so stark genutzt werden, dass man sie ausbauen sollte? Das sind drei Horizonte: erstens Daten zum Lernen von Modellen, zweitens zur situativen Entscheidungsunterstützung im laufenden Servicefall und drittens Daten als strategische Ressource für Produkt- und Serviceinnovation der nächsten Generation.

Und dabei Predictive Analytics anwenden?

Ja, genau. Meist meint man damit Predictive Maintenance. Das setzt beim ersten der genannten Zeitelemente an, also in der Vergangenheit: Was hat drei Tage später den Ausfall verursacht? Welche Muster sind bei Vibrationen, Stromverbräuchen und Ähnlichem zu erkennen? Im Moment selbst trifft man dann eine Prediction beziehungsweise Vorhersage: Der Stromverbrauch beziehungsweise die Klassifikation sieht so und so aus, also fällt die Anlage voraussichtlich in drei Tagen aus. Man kann Prediction auch im übertragenen Sinn verwenden für den oben genannten dritten Horizont: Was könnte die nächste Produktgeneration brauchen? Im engeren Sinn meint Predictive Maintenance jedoch genau diese Ausfallvorhersage.

Wie viel KI braucht ein Unternehmen wirklich, um den Einstieg in datengetriebene Services beziehungsweise seine Digitalisierungsstrategie zu schaffen?

Eine etwas provokative Ansage, aber ich sage: a priori gar keine. Warum? Natürlich braucht es irgendwann KI oder Machine Learning. Aber ich empfehle nicht, mit der KI zu starten. Denn das können relativ grosse Vorhaben sein, mit Datenaufbereitung, Algorithmen und so weiter, nach dem Motto: zuerst entwickeln und dann schauen wir, was wir damit im Service machen.

Es ist sinnvoller, man startet umgekehrt und versucht zuerst, zu verstehen, mit welchen Services man den Kundenunternehmen überhaupt helfen kann. Und erst wenn man das verstanden hat, giesst man es in KI. Die braucht es dann schon, sonst skaliert der Service nicht. Häufig geht man zunächst mit einer erfahrenen Fachperson hin, die beurteilt: Das verursacht das Qualitätsproblem, das würde ich umstellen und hier setze ich eine Person ein, die es beobachtet und bei Veränderungen rasch alarmiert.

So etwas macht man vielleicht drei Monate lang mit einer Fachperson. Vieles von dem, von dem man glaubt, dass es den Kunden hilft, hilft dann gar nicht, während man bei anderen Punkten sieht: Davon sollten wir mehr haben. Das ist genau diese Phase der Customer-Insights und Pain-Analyse, die ich am Anfang erläutert habe. Hat man das verstanden, unterstützt man die Person allmählich mit KI und macht sie zeiteffizienter. Wenn eine qualifizierte Fachperson die Analysen beim Kunden bereits mit einem KI-Tool vorwegnehmen kann, wird das Kundengespräch kürzer oder erübrigt sich.

Die Beobachtung lässt sich zudem oft vom Schreibtisch aus erledigen. Dadurch wird die Person immer effizienter, bis die Aufgabe vielleicht ganz durch KI abgedeckt und automatisiert ist. Dann skaliert der Service vollständig. Mein Best-Practice-Rat lautet deshalb: personenbasiert starten und dann schrittweise mit KI unterstützen.

Das Institut für Data Science (IDS) der ZHAW School of Engineering zählt zu den führenden Schweizer Adressen für angewandte Data-Science und Business-Engineering. Beim Forschungsschwerpunkt «Smart Services and Operations» verbindet das Institut wissenschaftliche Methoden mit einer hohen Praxisrelevanz. Es begleitet Industrieunternehmen auf dem Weg vom reinen Produktverkauf zum Customer-Success. Gemeinsam mit dem SKDV und weiteren Hochschulen wie der OST und der HSLU bringt die ZHAW aktuelles Hochschulwissen direkt auf die Messebühne der «maintenance Schweiz 2026».

Jetzt hier anklicken und kostenlos zur maintenance Schweiz mit dem Einladungscode 1411 und zur Parallelmesse all about automation mit dem Code 1400.