Wenn der Techniker vor dem Ausfall kommt: AI im Field Service

Der Aufzug, der seinen eigenen Service-Termin bucht

Stellt euch vor: 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 auf Anthropics Claude basiert. Das System wertet IoT-Sensordaten, Wartungshistorie und technische Dokumentation aus. Das Ergebnis: 70% mehr Fehlererkennung und 40% weniger Geräteausfälle. Nicht weil die Aufzüge besser gebaut sind, sondern weil Probleme gelöst werden, bevor sie Probleme sind.

Drei Unternehmen, drei Ansätze, messbare Ergebnisse

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 zuerst, ob das Problem remote lösbar ist. 30% aller Service-Calls werden jetzt ohne Vor-Ort-Einsatz gelöst. Das spart nicht nur Fahrtkosten. Es bedeutet 11 Millionen Dollar jährliche Produktivitätsgewinne und 13% weniger gefahrene Kilometer.

AAA nutzt Salesforce Agentforce, um Terminbuchungen zu automatisieren. Wenn ein Mitglied zu Hause ist und einen Termin braucht (Reifenwechsel, Batterie-Check), übernimmt die KI die Planung. Das klingt banal, aber der Effekt ist enorm: Die menschlichen Disponenten können sich auf die dringenden Fälle konzentrieren, die gestrandeten Fahrer am Straßenrand. Ergebnis: fünf Minuten schnellere Reaktionszeit bei Notfällen. Hochgerechnet sind das 20.833 eingesparte Einsatztage pro Jahr.

Was Salesforce Agentforce wirklich kann. Stand heute.

Salesforce hat mit Agentforce for Field Service eine klare Richtung eingeschlagen: KI soll nicht nur bei der Planung helfen, sondern den gesamten Service-Lifecycle abdecken. Konkret:

• Scheduling: Agentforce plant Termine autonom, füllt Lücken im Kalender und berücksichtigt Skills, Standort und Teile-Verfügbarkeit.
• Dispatching: Disponenten können per Chat mit der KI arbeiten („Zeig mir alle dringenden Termine in München morgen“) und bekommen sofort Handlungsoptionen.
• Vor-Ort-Support: Techniker bekommen automatisch ein Arbeitspaket mit Teile-Liste, Sicherheits-Checkliste und Problembeschreibung. Troubleshooting-Unterstützung via Spracheingabe ist seit Juni 2025 verfügbar.
• Nach dem Einsatz: Agentforce schreibt den Service-Report, aktualisiert die Daten und triggert die Abrechnung. Automatisch.

Wichtig: Das ist keine Folie aus einer Keynote. Die Scheduling- und Dispatching-Features sind produktiv verfügbar. Das Troubleshooting-Feature ging im Juni 2025 in General Availability.

Die Zahlen hinter dem Hype

ROI-Versprechen gibt es viele. Aber bei AI im Field Service sind die Zahlen unüblich konsistent:

• Unternehmen berichten von einem ROI von 10:1 bis 30:1 innerhalb von 12 bis 18 Monaten.
• Wartungskosten sinken um 18 bis 25% gegenüber präventiven Ansätzen, um bis zu 40% gegenüber reaktiver Wartung.
• Ungeplante Ausfallzeiten reduzieren sich um 30 bis 50%.

Der Grund für diese Zahlen ist einfach: Ein ungeplanter Ausfall kostet ein Vielfaches eines geplanten Service-Einsatzes. Jede Maschine, die nicht steht, jeder Techniker, der nicht unnötig fährt, jedes Problem, das remote gelöst wird. Das summiert sich.

Was davon für KMU realistisch ist

KONE hat 60.000 Mitarbeiter. Honeywell ist ein Konzern. AAA ist ein nationaler Verband. Die Frage für ein Unternehmen mit 20 Technikern: Was davon ist für uns machbar?

Mehr als man denkt. Drei Gründe:

1. Die Plattformen sind demokratisiert. Salesforce Field Service, ServiceNow und Microsoft Dynamics bieten AI-Features als SaaS. Keine eigene Infrastruktur nötig. Pay-as-you-go statt Millionen-Investment.
2. Der Einstieg ist nicht Predictive Maintenance. Für IoT-basierte Vorhersagen braucht man Sensoren und Datenhistorie. Aber intelligentes Scheduling, automatische Routenplanung und KI-gestützte Einsatzvorbereitung funktionieren sofort, mit den Daten, die ihr schon habt.
3. Der größte Hebel ist oft der einfachste. Wenn eure Techniker heute 30% ihrer Zeit mit Fahren verbringen und AI die Routen um 15% optimiert, sind das bei 20 Technikern fast 5.000 Stunden im Jahr. Das ist kein Enterprise-Use-Case, das ist gesunder Menschenverstand mit besseren Daten.

Wo anfangen?

Nicht bei der Technologie. Sondern bei der Frage: Welcher Teil eures Service-Prozesses frisst die meiste Zeit, ohne Wert zu schaffen?

Wenn die Antwort „Terminplanung“ ist: Scheduling-AI. Wenn die Antwort „Fahrtzeiten“ ist: Routenoptimierung. Wenn die Antwort „der Techniker steht vor dem Gerät und weiß nicht weiter“ ist: Knowledge-AI mit Zugriff auf Wartungshistorie und Handbücher.

Die Unternehmen, die AI im Field Service erfolgreich einsetzen, haben nicht mit dem größten Projekt angefangen. Sie haben mit dem schmerzhaftesten Problem angefangen.