KI im Maschinenbau: Angebotskalkulation spürbar beschleunigen

Dienstagvormittag in einem mittelständischen Sondermaschinenbau-Betrieb irgendwo zwischen Schwarzwald und Schwabenalb. Im Vertriebsbüro liegt eine Anfrage: ein Bestandskunde aus der Automobilzulieferung braucht eine variantenreiche Sonderanlage, Lieferung „eigentlich gestern“. Der Vertriebsingenieur, gleichzeitig halb Konstrukteur, halb Kalkulator, öffnet drei alte Angebote, sucht aktuelle Materialpreise zusammen, gleicht Stücklisten ab, baut eine Kalkulationstabelle, holt eine Rückfrage aus der Konstruktion ein und formatiert am Ende ein PDF. Zwei Tage später ist das Angebot raus. Da hat der Kunde längst auch beim Wettbewerber angefragt, und der war schneller.

Diese Szene ist kein Einzelfall, sondern das strukturelle Muster einer ganzen Branche. Der deutsche Maschinenbau erzielte 2024 laut Statistischem Bundesamt rund 254,4 Mrd. Euro Umsatz und ist mit etwa 952.000 Beschäftigten der beschäftigungsstärkste Industriezweig des Landes. Gleichzeitig fehlt genau das Personal, das die Angebote schreibt: Etwa zwei von drei Unternehmen haben offene Ingenieurstellen, und auf 100 arbeitslose Ingenieure in der Maschinen- und Fahrzeugtechnik kommen laut VDMA 222 offene Stellen. Wer Reaktionsgeschwindigkeit als Auftrags-Hebel hat, aber die Köpfe nicht findet, landet zwangsläufig bei der Frage: Wo kann KI im technischen Vertrieb realistisch entlasten und wo es Hype ist?

Dieser Pillar ordnet den Stand 2026 ein: Wo der Maschinenbau bei KI wirklich steht, warum Angebotskalkulation und technischer Vertrieb der ROI-stärkste Einstieg sind, was das Potenzial in Zahlen bedeutet, welche Hürden bremsen und wie ein pragmatischer Start aussieht. Geschrieben aus Sicht eines Entscheiders, der nicht „KI“ kaufen will, sondern kürzere Angebotszyklen, weniger gebundene Ingenieurzeit und gewonnene Aufträge.

Wo steht der Maschinenbau bei KI 2026 wirklich?

Die ehrliche Antwort lautet: weiter als der allgemeine Eindruck, aber unausgewogen. Auf der einen Seite zählt der Maschinenbau zu den Branchen mit hoher KI-Affinität. Laut einer VDMA-Umfrage nutzen 43 Prozent der befragten Maschinenbau-Unternehmen bereits KI- und Machine-Learning-Lösungen, weitere 21 Prozent planen den Einstieg bis Ende 2025 und 27 Prozent bis 2028. Hohe Relevanz hat KI demnach vor allem in der Softwareentwicklung (51 Prozent), im Marketing (36 Prozent) und im Kundendienst beziehungsweise Service (26 Prozent).

Auf der Produktionsseite bestätigt sich das Bild: Laut Bitkom setzen 42 Prozent der deutschen Industrieunternehmen ab 100 Beschäftigten KI bereits in der Produktion ein, weitere 35 Prozent planen oder diskutieren den Einsatz, zusammen also gut drei Viertel, die sich aktiv mit dem Thema befassen. Predictive Maintenance, Qualitätskontrolle per Bilderkennung und Produktionsplanung sind hier die etablierten Felder.

Doch die Durchschnittszahl täuscht. Der KI-Einsatz ist stark größenabhängig. Laut der Produktionserhebung des Fraunhofer ISI nutzen rund 30 Prozent der Betriebe ab 500 Beschäftigten KI, aber nur etwa 16 Prozent der mittleren Betriebe ab 100 Beschäftigten. Und der Maschinenbau gehört mit einem geplanten Neueinsteiger-Anteil von rund 10 Prozent zu den eher zurückhaltenden Branchen. Heißt: Die Großen sind drin, der klassische Mittelstand zögert noch.

Genau hier entsteht das, was man die Pilotfalle nennen kann: Viele Betriebe haben KI getestet, ein Modell hier, ein Tool da, kommen aber nicht in den produktiven, skalierten Betrieb. Die Investitionsbereitschaft ist hoch, das Budget oft klein: 91 Prozent der Maschinen- und Anlagenbau-Unternehmen wollten 2025 in generative KI investieren, mehr als die Hälfte davon aber weniger als 100.000 Euro, wie die VDMA/Strategy&-Erhebung zu GenAI (Befragung von 247 Industrieunternehmen in DACH) zeigt. Mit kleinem Budget aus der Pilotfalle herauszukommen, gelingt am ehesten dort, wo der erste Use Case schnell und sichtbar einzahlt, und das führt direkt zum technischen Vertrieb.

Warum ist Angebotskalkulation der größte Hebel im technischen Vertrieb?

Weil hier drei Dinge zusammenkommen: hoher manueller Aufwand, hohe Auftragsrelevanz und vergleichsweise gute Datenlage. In der oben genannten VDMA/Strategy&-Studie ist Sales & Marketing das meistgenannte GenAI-Anwendungsfeld: 53 Prozent der Befragten nennen es, gefolgt von Forschung und Entwicklung mit 43 Prozent. Der Vertrieb ist also nicht das Feld, das man „auch noch mitnimmt“, sondern dort, wo die Branche selbst den größten Nutzen erwartet.

Der Grund ist betriebswirtschaftlich simpel. Bei komplexen, variantenreichen Maschinen laufen Kalkulation, Konfiguration und Engineering in der Angebotsphase manuell zusammen. Ein Angebot bindet Ingenieurzeit, die anderswo fehlt und die es, siehe Fachkräftelücke, kaum nachzukaufen gibt. Gleichzeitig entscheidet im Projektgeschäft oft die Reaktionsgeschwindigkeit über den Zuschlag: Wer schnell ein belastbares, vollständiges Angebot vorlegt, sitzt im Entscheidungsprozess vorn.

KI greift in diesem Prozess nicht „kreativ“ ein. Sie erfindet keine Angebote. Sie arbeitet mit Ihren Daten: Ihren historischen Angeboten, Ihren Stücklisten, Ihren Margen, Ihren Preislisten. Und sie übernimmt vor allem den Recherche- und Datenaufbereitungs-Anteil, der erfahrungsgemäß den größten Zeitblock frisst. Diese Aufgaben deckt das modulare FLOW-System ab. Drei Bausteine sind dabei relevant:

• KI-gestützte Angebotskalkulation: Anfrage einlesen, Anforderungen extrahieren, ähnliche Altprojekte finden, Materialkosten und Margen aus dem System ziehen, Entwurf erstellen.
• Konfigurationsassistenten / CPQ (Configure-Price-Quote): Varianten regelbasiert zusammenstellen, Plausibilität prüfen, Preis automatisch ermitteln. Gerade bei Baukasten-Maschinen ist das ein starker Hebel.
• Lead- und Anfrage-Qualifizierung: Routine-Anfragen automatisiert vorbereiten, High-Value-Projekte gezielt an die erfahrensten Köpfe routen.

Wichtig bleibt die Rollenverteilung: Die KI liefert den Entwurf, ein Mensch gibt frei. Das ist nicht nur eine Frage der Qualität, sondern auch des Rechts. Dazu später mehr. Im Verbund deckt das Modul FLOW Offer genau diesen Angebotsfall ab, ergänzt um FLOW Doc für die Wissens- und Dokumentenbasis. Wer das Thema breiter aufstellen will, findet im Überblick zur Prozessautomatisierung im Mittelstand den größeren Rahmen.

Was bringt KI im Maschinenbau in Zahlen?

Die belastbarste Zahl zum Margenpotenzial stammt aus der gemeinsamen VDMA/Strategy&-Studie (vorgestellt zur Hannover Messe, April 2025): Der gezielte Einsatz von GenAI kann die Gewinnmarge im Maschinen- und Anlagenbau um bis zu 10,7 Prozentpunkte erhöhen. Das entspricht einem zusätzlichen Gewinnpotenzial von rund 28 Mrd. Euro für den deutschen Maschinenbau. Entscheidend für die Praxis ist der zweite Teil: 10 von 45 untersuchten Use Cases heben bereits 58 Prozent dieses Margenpotenzials. Mit anderen Worten: Man muss nicht alles automatisieren, sondern die richtigen Fälle.

Der gesamtwirtschaftliche Rahmen stützt diese Richtung: Die ZVEI-Agenda „Industrie von morgen“ (September 2025) beziffert das Wertschöpfungspotenzial des KI-Wachstumsmarkts für Deutschland im optimistischen Szenario auf bis zu 144 Mrd. Euro und erwartet KI-getriebene Produktivitätsgewinne von 0,9 Prozent pro Jahr (2025 bis 2030) beziehungsweise 1,2 Prozent pro Jahr (2030 bis 2040). Das sind Modellrechnungen mit Annahmen, keine Garantien, aber sie zeigen die Größenordnung, in der sich die Branche bewegt.

Für Entscheider folgt daraus eine klare Priorisierungs-Logik. Statt 45 Use Cases gleichzeitig anzugehen, sortiert man sie nach zwei Achsen: Wirkung und Umsetzbarkeit:

• Gamechanger: hohe Wirkung, mittlere Komplexität, zum Beispiel KI-gestützte Angebotskalkulation. Hier sollte ein Mittelständler starten.
• Must-haves: mittlere Wirkung, niedrige Komplexität, zum Beispiel automatisierte Wartungs- und Nachfass-Kommunikation. Schnelle, robuste Quick Wins.
• Hype-Kandidaten: hohe Versprechen, hohe Komplexität, unklare Datenbasis, etwa vollautonome End-to-End-Konstruktion. Spannend, aber selten der richtige erste Schritt.

Wo lohnt sich KI entlang der Wertschöpfungskette konkret?

KI im Maschinenbau ist mehr als Vertrieb, aber der Reifegrad der Einsatzfelder ist sehr unterschiedlich. Geordnet nach Implementierungsreife und typischem Einstiegs-Nutzen:

1. Angebotskalkulation und Konfiguration (Vertrieb). Der ROI-stärkste Einstieg, weil Aufwand und Auftragsrelevanz hoch sind und die Datenbasis (Altangebote, Stücklisten, Preise) meist vorhanden ist. Geeignet schon für kleine und mittlere Betriebe.

2. Predictive Maintenance und Condition Monitoring. Sensordaten vorhersagebasiert auswerten, um Ausfälle zu vermeiden. Etabliert, aber sensor- und datenintensiv. Stark bei vernetzten Anlagen, weniger bei Einzelmaschinen ohne Datenanbindung.

3. Qualitätsmanagement. Bildbasierte Fehlererkennung und Prozessüberwachung. Laut Bitkom-Befragung sehen Industrieunternehmen hier breit Potenzial; produktiv im Einsatz ist es vor allem bei höheren Stückzahlen.

4. Maschinenkonfiguration und Robotik. Regelbasierte Konfiguration und adaptive Robotik-Steuerung. Hohe technische Tiefe, lohnend ab gewisser Variantenvielfalt und Automatisierungsgrad.

5. Engineering, Konstruktion und Dokumentation. KI-Assistenz beim Erstellen technischer Dokumentation, beim Wissens-Retrieval aus Altprojekten und beim Entwurfs-Vorschlag. Hier sitzt erhebliches, aber datenqualitäts-abhängiges Potenzial und ein direkter Hebel gegen den Erfahrungsverlust durch ausscheidende Ingenieure.

Die wichtigste Botschaft: Sie müssen kein Segment selbst lösen. Für die Standard-80-Prozent gibt es vorkonfigurierte Module, die letzten 20 Prozent, die echten Branchen-Spezifika wie ERP-Anbindung, individuelle Kalkulationsregeln oder ein spezielles Konfigurations-Regelwerk, lassen sich als Individuallösung ergänzen. Den größeren strategischen Rahmen dazu liefert der Überblick zu KI im Mittelstand.

Warum lassen drei Viertel der Industrie KI-Chancen liegen?

Der Realitätscheck gehört zu jeder ehrlichen Einordnung. Laut Bitkom schöpft nur ein Viertel der Industrieunternehmen (24 Prozent) das Potenzial von KI aus. Drei Viertel lassen Chancen liegen. Die größten Hemmnisse sind rechtliche Unsicherheiten beziehungsweise regulatorische Hürden (53 Prozent), fehlendes technisches Know-how (53 Prozent) und fehlende Personalressourcen (51 Prozent). Die VDMA-Umfrage nennt zusätzlich unbewiesenen ROI (44 Prozent) und unzureichende Datenqualität (42 Prozent) als zentrale Bremsen.

Diese Hürden sind real, aber sie sind kein Grund zu warten, sondern eine Anleitung, wo man ansetzt:

• Rechtliche Unsicherheit (53 %): Mit dem EU AI Act ist die Lage 2026 klarer als noch 2024. Für B2B-Angebotsprozesse ohne Verbraucher-Kontakt sind die Transparenzpflichten überschaubar, sofern man sie sauber umsetzt (siehe Compliance-Abschnitt).
• Fehlendes Know-how (53 %) und Personal (51 %): Genau hier hilft ein externer Modul-Anbieter, der das Setup mitbringt, statt im überlasteten Team selbst Spezialisten aufzubauen.
• Unbewiesener ROI (44 %): löst man mit einem eng begrenzten Pilot mit klaren Messgrößen statt mit einem Großprojekt.
• Datenqualität (42 %): der härteste Punkt. Wer historische Angebote, Stücklisten und Preise nicht halbwegs strukturiert vorliegen hat, sollte das Daten-Audit als ersten Schritt einplanen, nicht als Hindernis, sondern als Teil des Projekts.

Wie hilft KI gegen den Fachkräftemangel im technischen Vertrieb?

Der Fachkräftemangel ist im Maschinenbau strukturell, nicht konjunkturell. Der Ingenieurbestand liegt laut VDMA bei rund 199.800 Personen (17,1 Prozent der Beschäftigten), und etwa zwei von drei Unternehmen haben offene Ingenieurstellen. Die Beschäftigung im Maschinenbau ging zudem 2024 gegenüber dem Vorjahr leicht zurück. Kurz: Die Menschen, die Angebote rechnen und Maschinen konfigurieren, sind knapp und werden eher knapper.

KI im technischen Vertrieb adressiert das auf drei Wegen, und zwar als Entlastung, nicht als Ersatz:

• Routine-Entlastung: Die zeitfressende Recherche- und Datenarbeit in der Angebotsphase übernimmt das System, die wertschöpfende Bewertung bleibt beim Ingenieur.
• Wissenssicherung: Erfahrungswissen aus tausenden Altangeboten und Projekten wird auffindbar, auch dann, wenn der Kollege, der „das immer wusste“, in Rente geht. Dieser Erfahrungstransfer ist ein eigener, oft unterschätzter Use Case (siehe FLOW Doc: Wissen bewahren).
• Mehr Durchsatz pro Kopf: Wenn ein Vertriebsingenieur statt zwei Angeboten pro Tag fünf qualifizierte Entwürfe freigeben kann, steigt die Reaktionsfähigkeit, ohne dass eine zusätzliche Stelle besetzt werden muss, die der Arbeitsmarkt ohnehin nicht hergibt.

So gelesen ist der Fachkräftemangel weniger Bedrohung als Treiber: Er macht den Business Case für KI im Vertrieb in vielen Betrieben überhaupt erst zwingend.

Wie gelingt der Start? Die Roadmap für den Mittelstand

Ein KI-gestützter Angebotsprozess ist der pragmatische Einstieg, weil er schnell, sichtbar und mit begrenztem Budget umsetzbar ist. Die folgenden fünf Schritte beschreiben einen realistischen Pfad, bewusst klein gehalten, um die Pilotfalle zu vermeiden.

Realismus beim Budget: Mehr als die Hälfte der Maschinenbauer investiert laut VDMA pro Vorhaben weniger als 100.000 Euro. Ein eng gefasster Angebots-Use-Case passt genau in diese Größenordnung, vorausgesetzt, man widersteht der Versuchung, gleich die ganze Wertschöpfungskette automatisieren zu wollen.

Manueller Angebotsprozess vs. KI-gestützt mit FLOW Offer

Die Tabelle beschreibt typische Richtungen, keine garantierten Einzel-Ergebnisse. Wie stark der Effekt ausfällt, hängt vom Anfrageprofil, der Datenqualität und der Integrationstiefe ab.

Welche Compliance- und Rechts-Pflichten gelten im B2B-Angebotsprozess?

Rechtliche Unsicherheit ist laut Bitkom das häufigste KI-Hemmnis (53 Prozent). Für den technischen Vertrieb im B2B-Kontext ist die Lage aber gut handhabbar, wenn man drei Bausteine sauber bedient.

EU AI Act Art. 50: Transparenz (ab 02.08.2026)

Wo KI direkt mit Menschen interagiert, muss transparent sein, dass es sich um ein KI-System handelt; Details regelt die EU-Verordnung 2024/1689. Im reinen Angebots-Backoffice, in dem die KI Entwürfe erstellt und ein Mitarbeiter sie freigibt, ist die KI nicht in direkter Kund-Interaktion. Sobald aber ein KI-gestützter Kanal nach außen kommuniziert (etwa ein Chat- oder Telefon-Assistent zur Anfragenannahme), greift die Transparenzpflicht: Der Ansprechpartner erfährt, dass er mit einer KI spricht, und eine Übergabe an einen Menschen ist jederzeit möglich.

DSGVO und Geschäftsgeheimnisse

Im Maschinenbau sind die heiklen Daten weniger personenbezogen als wettbewerbsrelevant: Kalkulationen, Margen, Konstruktionsdaten, Kundenbeziehungen. Diese Geschäftsgeheimnisse und technischen Daten gehören vertraulich behandelt, auf deutschen Servern, mit vertraglichem Ausschluss einer Nutzung für das Modell-Training und einem Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO, wo personenbezogene Daten verarbeitet werden. Soweit personenbezogene Daten (z. B. Ansprechpartner beim Kunden) betroffen sind, gelten die üblichen DSGVO-Pflichten.

UWG: keine irreführenden Angebotsangaben

Automatisiert erstellte Angebote müssen genauso korrekt sein wie manuelle. Das Vier-Augen-Prinzip, also KI-Entwurf und menschliche Freigabe, ist hier nicht nur Qualitätssicherung, sondern auch der saubere Weg, irreführende oder fehlerhafte Angaben nach UWG zu vermeiden. Die Verantwortung für das hinausgehende Angebot bleibt beim Unternehmen.

Glossar: Die wichtigsten Begriffe

Häufige Fragen (FAQ)

Tiefer einsteigen

• → KI im Mittelstand 2026: der strategische Überblick
• → Prozessautomatisierung im Mittelstand: Wo Automatisierung wirklich zahlt
• → Use Case: Angebot in 5 Minuten. KI-gestützte Angebotskalkulation in der Praxis
• → Use Case: Wissen bewahren. Erfahrungstransfer gegen den Fachkräfteverlust
• → KI-Telefonassistent: Anfragen annehmen ohne gebundenes Personal
• → KI-Chatbot für Unternehmen: technische Anfragen vorqualifizieren