Ein Aufzug in einem Bürogebäude erkennt, dass ein Lager in der Türmechanik Verschleissspuren zeigt. Nicht weil jemand ein Geräusch gehört hat, sondern weil ein Sensor die Vibrationsmuster analysiert. 60 Tage bevor das Teil ausfallen würde, wird automatisch ein Service-Termin eingeplant. Der Techniker kommt mit dem richtigen Ersatzteil, tauscht es in 20 Minuten und fährt weiter.
Das ist keine Zukunftsvision. Das ist KONE, heute. Der finnische Aufzughersteller hat einen KI-gestützten Techniker-Assistenten entwickelt, der IoT-Sensordaten, Wartungshistorie und technische Dokumentation auswertet. Das Ergebnis: deutlich mehr Fehlererkennung und weniger Geräteausfälle. Nicht weil die Aufzüge besser gebaut sind, sondern weil Probleme gelöst werden, bevor sie Probleme sind.
Drei Unternehmen, drei Ansätze
KONE ist kein Einzelfall. Die interessantesten Implementierungen zeigen, dass AI im Field Service nicht ein einzelnes Problem löst, sondern den gesamten Service-Prozess verändert.
Honeywell hat den Ansatz umgedreht: Statt jeden Techniker rauszuschicken, prüft ein KI-System zürst, ob das Problem remote lösbar ist. Ein erheblicher Anteil aller Service-Calls wird jetzt ohne Vor-Ort-Einsatz gelöst. Das spart nicht nur Fahrtkosten. Es bedeutet zweistellige Millionenbeträge an jährlichen Produktivitätsgewinnen und deutlich weniger gefahrene Kilometer.
AAA, der amerikanische Automobilclub, nutzt KI-gestützte Einsatzplanung für Termine zu Hause: Reifenwechsel, Batterie-Checks, Fahrzeugprüfungen. Die KI übernimmt die Terminplanung und Routenoptimierung. Die menschlichen Disponenten können sich auf die dringenden Fälle konzentrieren, die gestrandeten Fahrer am Strassenrand. Das Ergebnis: schnellere Reaktionszeit bei Notfällen, weil die Routinetermine die Disposition nicht mehr belasten.
Was KI im Aussendienst konkret verändert
Die Einsatzfelder lassen sich in vier Bereiche unterteilen, die aufeinander aufbaün.
Einsatzplanung und Routing. KI plant Termine autonom, füllt Lücken im Kalender und berücksichtigt Skills, Standort und Teile-Verfügbarkeit. Für Disponenten bedeutet das: weniger manülle Planung, bessere Auslastung, weniger Leerfahrten. Dieser Bereich funktioniert sofort, mit den Daten, die bereits vorhanden sind.
Vor-Ort-Unterstützung. Techniker bekommen automatisch ein Arbeitspaket mit Teile-Liste, Sicherheits-Checkliste und Problembeschreibung. Troubleshooting-Unterstützung via Spracheingabe ermöglicht es auch weniger erfahrenen Technikern, komplexe Probleme zu lösen. Das ist besonders relevant in Branchen mit Fachkräftemangel.
Predictive Maintenance. Sensoren überwachen den Zustand von Anlagen und melden Verschleiss, bevor er zum Ausfall führt. Das ist der Königsfall, aber auch der anspruchsvollste: Er erfordert IoT-Sensorik, historische Daten und ein trainiertes Modell. Für Unternehmen mit eigener Anlagenflotte oder im Geräte-Service lohnt sich die Investition, für andere nicht.
Nachbereitung und Abrechnung. KI schreibt den Service-Report, aktualisiert die Stammdaten und triggert die Abrechnung. Automatisch. Das klingt banal, aber in vielen Betrieben liegt zwischen Einsatzende und Rechnungsstellung eine Woche manüller Arbeit.
Die Kosten hinter den Erfolgsgeschichten
Die genannten Beispiele kommen von Konzernen. KONE hat 60.000 Mitarbeiter, Honeywell ist ein Industrieriese, AAA ein nationaler Verband. Die Frage für ein Unternehmen mit 20 Technikern: Was davon ist realistisch?
Mehr als man denkt, aber weniger als die Keynotes versprechen.
Die Plattformen sind mittlerweile als SaaS verfügbar. Salesforce Field Service, ServiceNow und Microsoft Dynamics bieten KI-Features ohne eigene Infrastruktur. Pay-as-you-go statt Millionen-Investment. Aber die Lizenzkosten summieren sich: Für 20 Techniker-Lizenzen mit KI-Features liegt die monatliche Basis bei 3.000 bis 5.000 Euro, je nach Plattform und Funktionsumfang.
Dazu kommt der Implementierungsaufwand. Ein einfaches Scheduling-Setup steht in zwei Wochen. Eine vollständige Predictive-Maintenance-Lösung braucht sechs Monate und IoT-Hardware. Der Einstieg muss nicht bei Predictive Maintenance liegen. Intelligentes Scheduling, automatische Routenplanung und KI-gestützte Einsatzvorbereitung funktionieren sofort, mit den Daten, die schon vorhanden sind.
Der grösste Hebel ist oft der einfachste
Wenn eure Techniker heute einen erheblichen Teil ihrer Zeit mit Fahren verbringen und KI die Routen optimiert, spart das bei 20 Technikern tausende Stunden im Jahr. Das ist kein Enterprise-Use-Case, das ist gesunder Menschenverstand mit besseren Daten.
Wer über KI im Field Service nachdenkt, sollte nicht bei der Technologie anfangen, sondern bei der Frage: Welcher Teil des Service-Prozesses frisst die meiste Zeit, ohne Wert zu schaffen?
Wenn die Antwort "Terminplanung" ist: Scheduling-KI. Wenn die Antwort "Fahrtzeiten" ist: Routenoptimierung. Wenn die Antwort "der Techniker steht vor dem Gerät und weiss nicht weiter" ist: Knowledge-KI mit Zugriff auf Wartungshistorie und Handbücher.
Die Unternehmen, die KI im Field Service erfolgreich einsetzen, haben nicht mit dem grössten Projekt angefangen. Sie haben mit dem undefined. Genau das solltet ihr auch tun.