Predictive Maintenance vs. CMMS: Was wohin gehört

„Brauchen wir Predictive Maintenance oder ein CMMS?" ist eine der häufigsten Fragen in der industriellen Instandhaltung — und dabei die falsche Frage. Beide lösen unterschiedliche Probleme. Die richtige Frage lautet: Wie greifen sie ineinander?

Dieser Beitrag zieht die Grenze klar, denn wer beide Systeme vermischt, kauft entweder ein CMMS und erwartet, dass es Ausfälle vorhersagt — oder kauft ein PdM-Werkzeug und erwartet, dass es den Instandhaltungsworkflow verwaltet. Beide Enttäuschungen sind vermeidbar.

Zwei grundverschiedene Aufgaben

Ein CMMS (Instandhaltungsmanagementsystem) ist ein System of Record für Instandhaltungsarbeit. Es verwaltet Arbeitsaufträge, Anlagenregister, Ersatzteilbestände, PM-Pläne, Technikerauslastung und Wartungshistorie. Seine Aufgabe ist es, zu organisieren und nachzuverfolgen, was Ihr Team tut.

Predictive Maintenance / vorausschauende Wartung ist ein Entscheidungssystem. Es nimmt Maschinensensordaten auf, führt ML-Modelle aus und beantwortet die Frage: „Welche Anlagen verschlechtern sich, wie schnell, und was ist wahrscheinlich die Ursache?" Seine Aufgabe ist es, Ihnen zu sagen, wann und wo Instandhaltungsarbeit tatsächlich erforderlich ist — anstatt alles nach einem festen Kalender abzuarbeiten oder auf Ausfälle zu warten.

| Dimension | CMMS | Predictive Maintenance | |---|---|---| | Kernfrage | Welche Arbeit ist erledigt / muss erledigt werden? | Wann fällt diese Anlage aus, und warum? | | Primärer Input | Menschliche Einträge, Pläne, Arbeitshistorie | Echtzeit-Sensordaten (Vibration, Temperatur, Druck …) | | Kernoutput | Arbeitsaufträge, Pläne, Bestände, Berichte | Anomalie-Scores, RUL-Schätzungen, Fehlerdiagnosen | | Entscheidungsgrundlage | Kalender / Laufzeit / manuelle Anforderung | Anlagenzustand + ML-Prognose | | Nutzergruppe | Instandhaltungsplaner, Techniker | Zuverlässigkeitsingenieure, Condition-Monitoring | | Ohne dieses System | Chaos: nicht erfasste Arbeit, verlorene Historie | Reaktive oder verschwenderische kalenderbasierte Wartung |

Ein CMMS ohne PdM plant Instandhaltungsarbeit weiterhin ein — nur zeitbasiert oder nach Laufzeit, nicht zustandsbasiert. Ein PdM-Werkzeug ohne CMMS sagt Ausfälle weiterhin vorher — aber die Prognosen münden nirgends in eine handlungsrelevante Maßnahme. Sie ergänzen sich; sie ersetzen sich nicht.

Wo der Markt die Grenze verwischt

Mehrere CMMS-Anbieter haben „KI"- und „Predictive"-Funktionen ergänzt, und mehrere Monitoring-Anbieter haben einfache Arbeitsverfolgung hinzugefügt. Deshalb wirken die Kategorien unscharf. Ein zuverlässiges Erkennungsmerkmal ist jedoch:

CMMS-first-Werkzeuge (die KI-CMMS-Positionierung) sind exzellent auf der Arbeitsverwaltungsebene und behandeln die Vorhersage typischerweise als Zusatzmodul — oft regelbasiert oder mit der Anforderung, Sensoren und Integration selbst mitzubringen. Stark im Workflow, weniger tief bei ML und OT-Security.
Monitoring-first-Werkzeuge sind um die Sensor-zu-Prognose-Pipeline und die Modellqualität herum gebaut und integrieren sich entweder in Ihr bestehendes CMMS oder enthalten eine schlanke Arbeitsebene.

Wenn Ihr Problem lautet „Wir wissen nicht, was demnächst ausfällt", löst ein CMMS mit einem Predictive-Checkbox es in der Regel nicht — die Tiefe liegt in der Modellierung, dem Feature Engineering und darin, wie die Daten sicher einfließen. Wenn Ihr Problem lautet „Unsere Instandhaltungsarbeit ist unorganisiert", ist ein starkes CMMS die Antwort, und ein PdM-Zusatzmodul behebt den Workflow nicht.

Die Schnittstelle, die beide wertvoller macht: Prognose → Arbeitsauftrag

Der Mehrwert potenziert sich, wenn aus einer Prognose automatisch Arbeit entsteht. Die Kette sieht so aus:

Sensordaten fließen ein (idealerweise über schreibgeschütztes OPC-UA, idealerweise On-Premise / vor Ort für regulierte Anlagen).
ML-Modelle erkennen eine Anomalie und schätzen die verbleibende Nutzungsdauer — mit nachvollziehbarer Attribution, damit ein Ingenieur nachvollziehen kann, warum.
Ein Alarm wird mit Schweregrad und empfohlener Maßnahme ausgelöst.
Ein Arbeitsauftrag wird erzeugt — vorausgefüllt mit der Anlage, dem prognostizierten Fehler, der empfohlenen Maßnahme und den Belegen — und an den zuständigen Techniker weitergeleitet.
Das Ergebnis fließt zurück: War es ein echter Fehlermodus? Das schließt den Regelkreis und verbessert sowohl das Modell als auch die Wartungshistorie.

Schritt 4 ist der Punkt, an dem Predictive Maintenance und der CMMS-artige Workflow zusammentreffen. Eine Prognose, die ein Ingenieur manuell in ein separates System übertragen muss, verliert durch diesen Reibungsverlust den größten Teil ihres Wertes. Eine Prognose, die als sofort handlungsfähiger Arbeitsauftrag ankommt — mit den Belegen im Anhang — ist das, was das Instandhaltungsverhalten tatsächlich verändert.

Prevly ist Monitoring-first: Die Tiefe liegt in der On-Premise-ML-Pipeline (Anomalieerkennung, RUL, Fehlerklassifikation — alles mit auditierbare Attribution) und darin, Daten sicher über schreibgeschütztes OPC-UA einzuspielen. Es wandelt Prognosen automatisch in Arbeitsaufträge um und ist darauf ausgelegt, mit dem CMMS, das Sie bereits betreiben, zu koexistieren — nicht Ihr Arbeitsverwaltungs-System of Record zu ersetzen.

Entscheidungshilfe

Sie haben kein System of Record für Instandhaltungsarbeit → Beginnen Sie mit einem CMMS. Schaffen Sie die organisatorischen Grundlagen, bevor Sie Vorhersage darüber legen.
Ihre Instandhaltung ist organisiert, aber reaktiv oder kalendergebunden → Ergänzen Sie Predictive Maintenance. Das CMMS erfasst die Arbeit; PdM entscheidet, wann sie nötig ist.
Sie betreiben eine regulierte oder OT-sicherheitssensible Anlage → Ihre PdM-Wahl wird zunächst davon bestimmt, wie Daten einfließen (schreibgeschützt, On-Premise), noch bevor die Modellqualität ins Gespräch kommt.
Sie wünschen sich beides von einem Anbieter → In Ordnung, aber prüfen Sie, ob die Predictive-Schicht echtes ML auf echten Sensordaten ist — und keine Regel-Engine mit KI-Label.

Das ehrliche Fazit: CMMS und Predictive Maintenance sind keine Konkurrenten. Der gemeinsame Gegner ist ungeplante Stillstandszeit / ungeplanter Ausfall — und die Anlagen, die ihn dauerhaft reduzieren, betreiben in der Regel beide Systeme, mit Prognosen, die direkt in die Instandhaltungsarbeit fließen, die den Ausfall verhindert.

Prevly liefert On-Premise Predictive Maintenance — schreibgeschützte OPC-UA-Einspeisung, ML-gestützte Anomalie-/RUL-/Fehlerprognose mit auditierbare Attribution und automatische Prognose-zu-Arbeitsauftrag-Umwandlung — konzipiert als Ergänzung zu Ihrem bestehenden CMMS. So funktioniert es oder technische Vorstellung anfragen.

Weiterführende Artikel: Predictive-Maintenance-ROI · Selbst entwickeln vs. kaufen · Wo Instandhaltungsbudgets verloren gehen