Ersatzteil-Identifikation & Ersatzteilsuche im Aftersales

Bei einer zehn Jahre alten Maschine hat ein defektes Teil oft keine lesbare Nummer, das Handbuch ist veraltet und der Ersatzteilkatalog ist ein PDF mit 2.000 Seiten. Die multimodale Suche verbindet Foto, Typenschild-OCR, Freitext, Seriennummer und die Stückliste (BOM) der Maschine und liefert in Sekunden die richtige Materialnummer, den Bestand und einen Bestelllink. Sie wird von Instandhaltungsteams (interne Teile) und vom Aftersales der Hersteller (Händler, Kunden) genutzt.

Problem & Nutzen

• Heute: Techniker blättern in Explosionszeichnungen, rufen die Ersatzteil-Hotline an oder fragen Kollegen. Es werden falsche Teile bestellt, Maschinen stehen still, im ERP häufen sich doppelte Materialstammsätze, und die Ersatzteil-Innendienste der Hersteller verbringen ihre Zeit mit Identifikationsanrufen statt mit Angeboten.
• KI-Nutzen: Selbstbedienung bei der Identifikation (weniger Hotline-Anrufe), schnellere Behebung von Stillständen, vollständigere Angebote (die Anfrage kommt mit bereits identifiziertem Teil), sauberer Materialstamm.
• Belege (vom Anbieter berichtet, nicht unabhängig geprüft): Partium berichtet, dass seine App DB Mat.ID bei der Deutschen Bahn 95 Instandhaltungswerke und 12.200 Nutzer unterstützt und in einem Jahr 46.800 Personentage eingespart hat [1]; DB Fernverkehr gibt an, dass das gesuchte Material mit einer Wahrscheinlichkeit von über 90 % unter den Top-5-Ergebnissen liegt, wenn der Techniker die Baureihe auswählt und das Teil fotografiert [1]. Beim Maschinenbauer ENGEL wurde die Suche in das bestehende Ersatzteilportal eingebettet; die berichteten Effekte sind qualitativ (weniger Hotline-Anrufe, mehr selbst abgewickelte Shop-Transaktionen, Angebote am selben Tag) [2].
• Eine Umfrage von Fraunhofer IPK / CONTACT Software (2024) ergab, dass Ersatzteilinformationen das sind, wonach Instandhaltungspersonal am häufigsten sucht [3].

Varianten

• Interne MRO (Wartung, Reparatur, Instandhaltung): Werkstechniker durchsuchen die eigenen Lager über Schwesterwerke hinweg; erkennt auch Dubletten und Ladenhüter.
• Aftersales-Portal des Herstellers: Kunden und Händler identifizieren Teile anhand der installierten Basis (Seriennummer → As-built-Stückliste → Teile).
• Bahn-, Land-, Bau- und Industriemaschinen: lange Maschinenlebensdauer, viele Lieferanten, abgelöste Teile.
• Automotive / freier Ersatzteilmarkt: Katalogsuche nach Art von VIN/TecDoc, erweitert um Fotosuche.
• Privat/Heimwerker: „Wofür ist diese Schraube/Dichtung bei meiner Spülmaschine?“ über eine Händler-App (kombinierbar mit KNOW-005).
• Nicht abgedeckt: Ähnlichkeit von 3D-Geometrie in CAD (KNOW-020); Q&A zu Handbüchern (KNOW-004).

So funktioniert es

1. Anfrage (Foto | Typenschild-Scan | Barcode/QR | Text/Sprache | Seriennr.)
2. Eingabeverständnis (OCR von Schildern/Etiketten, VLM-Beschreibung des Teils, Sprachnormalisierung)
3. Kontexteingrenzung (Maschine/Baureihe/Seriennummer
4. Ist-Stückliste und Baugruppenumfang)
5. hybride Suche im Teilestamm (Bild-Embeddings + Text-Embeddings + Schlagwort-/Teilenr.-Volltreffer)
6. Rerank / VLM-Verifikation gegen Teilebilder, Maße und Attribute
7. Anreicherung (ERP: Bestand, Lagerort, Preis, Nachfolgeteil; Lieferanten-Querverweis)
8. Antwort (Top-N mit Konfidenz)
9. Bestellung / Bedarfsanforderung | geringe Konfidenz
10. Übergabe an Ersatzteil-Innendienst

• Zentrale Komponenten: multimodale Embeddings (Bild-Text-Encoder der SigLIP-2-Klasse [4], Seitenbild-Retrieval nach Art von ColPali für Explosionszeichnungen [5]), OCR für Typenschilder, strukturierte Filter aus der Stückliste, ein Reranker oder VLM zur abschließenden Verifikation und ein Konnektor zu ERP/CMMS.
• Das Schwierige sind die Daten, nicht das Modell: Ersatzteilstämme sind unsauber (Dubletten, Freitextbeschreibungen in mehreren Sprachen, wenige Bilder). Teile zu fotografieren und Kataloge zu strukturieren ist die Hauptarbeit beim Einstieg; Anbieter wie Partium bieten einen Workflow zur Bildsammlung, bei dem ein Agent Teiledaten aus Fotos extrahiert [6].
• Mensch-in-der-Schleife (Human-in-the-Loop): Der Nutzer bestätigt den Treffer am physischen Teil; ungelöste Suchen gehen mit sichtbarem Suchverlauf an den Ersatzteil-Innendienst (das ENGEL-Muster [2]); sicherheitsrelevante Teile erfordern vor der Bestellung eine Bestätigung über die Teilenummer.

Datenaufbereitung

Benötigte Daten: Materialstamm, Bestände und Preise (ERP/CMMS), Stücklisten und Explosionszeichnungen, Ersatzteilkataloge als PDF, Seriennummern- und Installed-Base-Daten, Fotos aus früheren Tickets. In einem KMU liegt das typischerweise im ERP, in PDM/CAD-Ordnern, auf Dateifreigaben und in alten Katalog-PDFs, bei Altmaschinen teils sogar als Papierordner.

Typische Lücken: gescannte Kataloge ohne Textebene, Zeichnungen mit Teilenummern nur als Bild, mehrere Nummernsysteme nach Teileablösungen, doppelte und veraltete Materialstammsätze, Beschreibungen in gemischten Sprachen, keine Fotos je Teil, fehlende Verknüpfung zwischen Seriennummer und Stücklistenversion.

Aufbereitungsschritte: Materialstamm exportieren und Dubletten sowie Ablöseketten bereinigen (siehe [PREP-005]); Kataloge per OCR erfassen und in Chunks auf Teileebene zerlegen ([PREP-006], [DOC-014]); Tags wie Maschinenfamilie, Baugruppe und Synonyme aus dem Werkstattvokabular ergänzen ([PREP-010], [PREP-015]); 100 bis 200 reale Paare aus Foto und Antwort aus dem Ersatzteil-Innendienst als Testset sammeln ([PREP-018]). Werkzeuge: Paperless-ngx oder eine OCR-Pipeline, Python/pandas, eine Vektordatenbank.

Rechnen Sie damit, dass rund 50 bis 60 Prozent des Gesamtaufwands des Projekts in die Datenaufbereitung fließen, weil die Suchqualität fast vollständig von sauberen Teilestämmen und Stücklistenverknüpfungen abhängt.

Umsetzungswege

Welcher Weg für wen

• smb: B - Die Suche muss auf den eigenen ERP-Materialstamm, die Stücklisten und Katalog-PDFs zugreifen, und kein Standardprodukt kennt diese; ein Aufbau auf Cloud-KI-Diensten in EU-Regionen mit schlanker Shop- oder ERP-Anbindung passt.
• enterprise: B - Teiledaten, Seriennummerndaten und Shop-Integration sind zentrale Aftersales-Werte, daher behält ein Aufbau auf Cloud-KI-Diensten die Kontrolle über das Datenmodell; ein kommerzielles Ersatzteilkatalog-Produkt ist für Standardkataloge eine Option.
• developer: C - Offene Vision-Sprachmodelle und Embedding-Modelle mit einer Vektordatenbank ermöglichen einen wiederverwendbaren Ersatzteil-Suchdienst, der auf HW2-Hardware läuft.

Weg A — Kaufen (Standardsoftware)

• Spezialisierte Ersatzteilsuch-Produkte: Partium (Find, Cockpit; Büros in Wien, Barcelona, US-Zentrale; Kunden sind u. a. Deutsche Bahn, ÖBB, ENGEL, Liebherr [1][2][6][7]), integriert in ein bestehendes Ersatzteilportal oder eine App.
• Angrenzende Plattformen: Aftersales-/Service-Parts-Suiten und PLM/SLM-Anbieter (z. B. PTC Servigistics, Siemens Teamcenter, SAP Service Parts Management) sowie Werkzeuge für technische Dokumentation und Kataloge (z. B. Schema ST4, Quanos), die zunehmend semantische oder visuelle Suche ergänzen; prüfen Sie den aktuellen Funktionsstand in Demos.
• Prüfen: Hosting-Region und ISO-27001-Nachweis (die Website von Partium verlinkt ein Trust Center, nennt den Hosting-Standort auf der Produktseite aber nicht [6]), SAP-/CMMS-Konnektor, Mehrsprachigkeit, Offline-Nutzung in der Werkhalle, Eigentum an den trainierten Bilddaten.
• A wählen, wenn: Sie Ergebnisse innerhalb von Monaten wollen und die Stammdaten sauber genug sind.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: multimodale LLMs mit Verarbeitung in der EU (Claude in EU-Regionen von Cloud-Anbietern, Gemini und Azure OpenAI in EU-Regionen, Mistral als EU-Anbieter), um Typenschilder zu lesen und Teile zu beschreiben; Embedding-APIs für Text und Bilder (z. B. Cohere Embed, Jina Embeddings, Voyage multimodal); Reranker-API.
• Stack: Vektor-/Hybridindex (OpenSearch, Elasticsearch, Qdrant, Weaviate, pgvector), mobile PWA, ERP-Konnektor (SAP OData/BAPI, Dynamics), Orchestrierung mit n8n oder einem eigenen Dienst.
• Muster: Das VLM extrahiert Attribute (Typ, Maße, Gewinde, Material, sichtbare Kennzeichnungen) → strukturierter Filter + Hybridsuche → Verifikation durch VLM oder Reranker. Geben Sie immer das echte Teilebild zur visuellen Bestätigung zurück.
• B wählen, wenn: Sie eigene Entwickler haben und individuelle Logik oder ein Kundenportal im eigenen Auftritt benötigen.

Weg C — Selbst betreiben (Open Source)

• Modelle: Qwen3-VL (2B–32B dense, 30B-A3B MoE, Apache-2.0) [8] zum Lesen von Typenschildern und zur Teilebeschreibung; SigLIP-2-Encoder (offene Checkpoints, mehrsprachig) für Bild-Embeddings [4]; Modelle der ColPali-Familie für Zeichnungsseiten [5]; bge-m3 oder Ähnliches für Text; ein bge-Reranker.
• Parsing: Docling (MIT, Air-Gap-fähig) [9] oder PaddleOCR für Katalog-PDFs und Typenschilder.
• Stack: Qdrant/pgvector/OpenSearch, vLLM oder Ollama, FastAPI; läuft offline im Werksnetz.
• Hardware: HW2 (eine GPU mit 24–32 GB) bedient ein VLM mit ca. 8B Parametern plus Embeddings für einen mittelgroßen Katalog; der Embedding-Index für 100.000–1 Mio. Teile passt auf CPU/Festplatte.
• Betriebsaufwand: mäßig; der Hauptaufwand ist die laufende Datenpflege.

Weg D — Eigenes Training

Lohnt sich, wenn generische Encoder nahezu identische Teile verwechseln (Lager, Dichtungen, Verbindungselemente, Steckverbinder). Ein Bild-Text-Encoder wird per Contrastive Learning auf den eigenen Teilefotos (mehrere Bilder je Teil, verschiedene Winkel und Verschleißzustände) plus nutzerbestätigten Suchprotokollen als Hard Negatives feingetunt. Es braucht Hunderte bis Tausende gelabelte Teile; Rückmeldungen aus dem Produktivbetrieb (akzeptierte/abgelehnte Treffer) sind der natürliche Trainingsstrom.

Stand der Technik (2026)

• Multimodale Suche mit leistungsfähigen offenen Bild-Text-Encodern und VLMs hat foto- und typenschildbasierte Suche ohne produktspezifisches Training praxistauglich gemacht; Seitenbild-Retriever vermeiden das fehleranfällige PDF-Parsing von Explosionszeichnungen [4][5].
• Agentische Suche: Ein Agent stellt Rückfragen („Welche Baureihe? Gibt es ein Gewinde?“), fragt Stückliste, Bestand und Lieferantendaten ab und entwirft die Bedarfsanforderung; Anbieter positionieren Agenten unterhalb ihrer Suchprodukte [6].
• Typische Fehlerbilder: optisch nahezu identische Teile, die sich in Maßen oder Material unterscheiden; verschlissene, verschmutzte oder nur teilweise sichtbare Teile; Fotos ohne Maßstabsreferenz; veraltete oder falsche Stücklisten; abgelöste Nummern; erfundene Teilenummern, wenn ein generatives Modell ohne Suche antwortet. Gegenmaßnahme: Das Modell darf nur Nummern zurückgeben, die im Stammdatenbestand existieren, zeigt Bilder und Hauptmaße und fordert nach Möglichkeit das Typenschild an.
• Benchmarks: Es gibt keinen öffentlichen Benchmark für die industrielle Ersatzteil-Identifikation; messen Sie die Top-1-/Top-5-Genauigkeit an Ihrem eigenen gelabelten Anfrage-Set. Veröffentlichte Genauigkeitswerte sind Anbieterangaben.
• Praxisrat aus dem Feld: Beginnen Sie beim Typenschild, bestätigen Sie über Herstellerteilenummer und Maße, suchen Sie nach Funktion, prüfen Sie die Lager von Schwesterwerken und planen Sie die Obsoleszenz mit ein [3].

Gemeinsame Bausteine & Kombinationen

• Gleiche Bausteine (vlm + ocr-docparse + embedding-text + vector-db + reranker): KNOW-005 (E-Commerce-Produktsuche), VIS-022 (visuelle Suche), VIS-018 (industrielle OCR für Seriennummern/Etiketten), KNOW-020 (CAD-Ähnlichteilsuche, teilt sich Katalog und Embedding-Index), DOC-014 (Dokumenten-Parsing für RAG), KNOW-001 (Unternehmenssuche). Ein HW2-Server kann VLM, Embeddings und Reranker für alle hosten.
• Kombinierbar mit: KNOW-004 (Q&A zu Handbüchern: „Welches Teil, und wie tausche ich es aus“), CONV-027 (Live-Kameraunterstützung für Servicetechniker), CONV-001 (Kundenservice-Chatbot mit Teilesuche), KNOW-013 (Wissensgraph, der Maschine, Baugruppe, Teil und Lieferant verknüpft), PRED-006 (vorausschauende Wartung löst Teilereservierung aus), OPT-005 (Bestandsoptimierung nutzt Funde zu Dubletten/Ladenhütern), OPT-019 (Einsatzplanung im Außendienst mit den passenden Teilen im Servicefahrzeug).
• Gemeinsame Datenpipelines: Bereinigung des Materialstamms, Extraktion aus Stückliste/PLM, Bildbibliothek der Teile.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen für einen Piloten mit einer Produktlinie; Abo-Preise nach Nutzern oder Teilen (bei den meisten Anbietern nicht öffentlich gelistet); die Dateneinführung ist der Hauptkostenfaktor.
• Weg B: 2–4 Monate inkl. ERP-Integration und Bildsammlung.
• Weg C: 3–6 Monate; ein GPU-Server plus Kapazität eines Data Engineers.
• Weg D: 1–2 Monate zusätzlich für Labeling und Evaluation.
• Kennzahlen: Top-1-/Top-5-Identifikationsgenauigkeit, Selbstbedienungsquote (Suchen ohne Hotline), Zeit bis zur Identifikation, Anteil der Bestellungen mit falschem Teil (Retouren), Anzahl der Hotline-Anrufe, Angebotsquote (Conversion), entfernte doppelte Materialstammsätze, Maschinenstillstandsstunden.

Menschen & Veränderung

Binden Sie die Geschäftsführung für Budget und Umfang ein, den Ersatzteil-Innendienst oder die Aftersales-Leitung als Prozessverantwortliche sowie die ERP- und Stammdatenverantwortlichen von Anfang an, denn deren Daten bestimmen die Qualität ([GUIDE-003]). Die IT wird für die ERP- und Shop-Integration gebraucht; der/die Datenschutzbeauftragte nur, wenn Kunden- oder Technikerdaten zusammen mit den Anfragen gespeichert werden. Starten Sie einen Piloten mit einer Produktlinie und einer kleinen Gruppe von Technikern und Mitarbeitenden des Ersatzteil-Innendienstes.

Betriebsrat: In der Regel nicht erforderlich bei einer reinen Ersatzteilsuche ohne Auswertung auf Nutzerebene (kein Auslöser nach §87 Abs. 1 Nr. 6 BetrVG). Relevant wird er, wenn die Nutzung je Techniker protokolliert oder gemessen wird. Auch dann sollten Sie den Betriebsrat, sofern vorhanden, bei Änderungen der Arbeitsabläufe frühzeitig nach §90 Abs. 1 Nr. 3 BetrVG informieren.

KI-Kompetenz: Nach Art. 4 der KI-Verordnung (AI Act) müssen Arbeitgeber Maßnahmen ergreifen, um die KI-Kompetenz ihrer Beschäftigten zu fördern; eine kurze praktische Einweisung zu Fotoqualität, Konfidenzwerten und dem Zeitpunkt der Eskalation genügt ([GUIDE-006]).

Typische Bedenken: „Die KI bestellt das falsche Teil“ und „Meine Erfahrung wird wertlos“. Begegnen Sie ihnen mit einem Konfidenzschwellenwert, verpflichtender menschlicher Bestätigung bei teuren oder sicherheitsrelevanten Teilen und damit, dass Sie die erfahrene Ersatzteilfachkraft als Verantwortliche für die Wissensbasis und für schwierige Fälle positionieren ([GUIDE-008]).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko — Produktsuche ist keine Anwendung nach Anhang III; KI-Kompetenz (Art. 4) gilt. Ein eingebetteter Kunden-Chatbot muss die Interaktion mit KI offenlegen (Art. 50). Beachten Sie den Fall, dass die KI eine Sicherheitskomponente eines regulierten Produkts ist; die Teileidentifikation selbst ist es normalerweise nicht. Das KI-Omnibus-Paket hat die Pflichten für Hochrisiko-Systeme nach Anhang III auf den 2. Dez. 2027 und die nach Anhang I auf den 2. Aug. 2028 verschoben [10].
• DSGVO: Fotos können Beschäftigte oder Kundenstandorte erfassen; Gesichter zuschneiden oder verpixeln, Bildaufbewahrung beschränken; Nutzer- und Suchprotokolle sind personenbezogene Daten (Betriebsvereinbarung in Deutschland).
• Produktsicherheit/Haftung: Ein falsch identifiziertes sicherheitsrelevantes Teil (Bremsen, Druck, Hebezeuge, Bahn) ist ein Sicherheitsrisiko — verlangen Sie die Bestätigung über die Teilenummer und vom Hersteller freigegebene Listen; führen Sie Protokolle zum Vorschlag im Vergleich zum bestellten Teil.
• Geistiges Eigentum/Daten: CAD-Zeichnungen und Stücklisten sind Geschäftsgeheimnisse — prüfen Sie die Bedingungen der Anbieter zu Trainingsdaten und Datenspeicherort; die Produktseite von Partium nennt das Hosting nicht [6].
• Gegenmaßnahmen: Antworten ausschließlich aus der Suche, Konfidenzschwellenwerte, Übergabe an Menschen, regelmäßige Genauigkeitsprüfungen.

Erste Schritte

1. Wählen Sie eine Produktlinie und sammeln Sie 200–500 reale Anfragen zu „unbekannten Teilen“ (Fotos, Texte) mit den richtigen Antworten.
2. Prüfen Sie den Ersatzteilstamm: Dubletten, fehlende Bilder, fehlende Stücklistenverknüpfungen; beheben Sie die größten Lücken.
3. Lassen Sie 2–3 Anbieter von Weg A oder einen Prototyp von Weg B (VLM + Hybridindex) gegen das Testset laufen; vergleichen Sie die Top-5-Genauigkeit.
4. Binden Sie ERP-Bestand/-Preis an und ergänzen Sie die Übergabe an den Ersatzteil-Innendienst; führen Sie das System bei einer Pilotgruppe von Technikern ein.
5. Protokollieren Sie akzeptierte/abgelehnte Treffer und führen Sie sie in Synonyme, Bilder und Ranking zurück.

Quellen

1. Partium — Deutsche Bahn case (DB Mat.ID, vendor-reported figures) — https://www.partium.io/maintenance/deutsche-bahn-fernverkehr
2. Partium — ENGEL aftersales case — https://www.partium.io/aftersales/engel
3. Partium blog — 9 ways to find the right spare part faster (cites Fraunhofer IPK / CONTACT survey 2024) — https://www.partium.io/blog/find-the-right-spare-part
4. Tschannen et al. — SigLIP 2 — https://arxiv.org/abs/2502.14786
5. Faysse et al. — ColPali: Efficient Document Retrieval with Vision Language Models — https://arxiv.org/abs/2407.01449
6. Partium Find product page — https://www.partium.io/parts-intelligence/find
7. Partium company page — https://www.partium.io/company
8. Qwen3-VL repository (sizes, Apache-2.0) — https://github.com/QwenLM/Qwen3-VL
9. Docling project — https://github.com/docling-project/docling
10. European Commission — AI Act regulatory framework and timeline (incl. AI Omnibus) — https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai