Ersatzteil per WhatsApp-Foto identifiziert: Falschlieferungen halbiert
Ein Maschinenbauer mit ~80 Mitarbeitern hat den Ersatzteildienst auf Vision-KI umgestellt. Kunden schicken ein Foto, das System identifiziert die drei wahrscheinlichsten Treffer aus dem Ersatzteilkatalog und schlägt Preis plus Lieferzeit vor.
- Kunde
- Maschinenbau-KMU
- Branche
- Maschinenbau
- Leistung
- KI-Integration
“Unsere Maschinen laufen teilweise seit den Neunzigern. Der Kunde schickt ein Foto von einem verschlissenen Zahnrad, und bisher hat mein Kollege im Lager gesucht, und manchmal das falsche rausgegeben, weil zwei Baujahre ähnlich aussehen. Jetzt kriegt er drei Vorschläge mit Fotos und Teilenummern. Er guckt, bestätigt, fertig. Dass wir 52 Prozent weniger Retouren haben, spart nicht nur Geld, das spart uns auch Gesicht.”
Die Herausforderung
Ein Maschinenbauer für Verpackungsmaschinen, Kunden weltweit. After-Sales bekommt täglich 40-60 Ersatzteil-Anfragen per E-Mail, WhatsApp und Telefon. Problem: der Teilekatalog hat 14.000 Positionen, viele Varianten sehen ähnlich aus (Zahnräder, Lager, Dichtungen), und die Kunden schicken selten Teilenummern, meistens ein Foto mit „das geht nicht mehr". Die Mitarbeiter im After-Sales müssen das Teil visuell identifizieren, in SAP die richtige Artikelnummer finden, Preis und Lieferzeit prüfen. 25-30 Minuten pro Anfrage. Fehlerquote bei der Identifikation: etwa 11 Prozent, das sind pro Jahr 900+ Falschlieferungen, Retouren, Reklamationen.
Unsere Lösung
Alle Ersatzteile wurden mit einem standardisierten Fotosetup abfotografiert (Milchglas-Hintergrund, vier Perspektiven pro Teil). Die Fotos liegen mit Teilenummern und Spezifikationen in Supabase als CLIP-Embeddings. Kundenfoto geht durch einen n8n-Flow: Background-Removal, CLIP-Embedding, Vector-Search gibt die Top-20 ähnlichsten Teile zurück. Claude 3.7 mit Vision reranked die Top-20 gegen das Originalfoto plus die Metadaten aus SAP (welche Maschinenmodelle verwenden dieses Teil, welche Varianten gibt es). Top-3 gehen zurück an den Kunden als WhatsApp-Nachricht: Foto, Teilenummer, Preis, Lieferzeit. Der Mitarbeiter bestätigt mit einem Klick.
Die Umsetzung
Woche 1-2: Fotosetup gebaut und 14.000 Teile fotografiert. Kein AI-Teil, das war zwei Wochen harte Lagerarbeit, die aber zwingend war. Ohne konsistente Referenzfotos läuft kein Vision-Retrieval zuverlässig.
Woche 3-4: Embedding-Pipeline mit CLIP (Open-Source, weil die Latenz pro Request bei OpenAI zu hoch und der Preis bei 50 Anfragen/Tag nicht tragbar ist). Vector-Search in Supabase mit ivfflat-Index. Gold-Standard-Test mit 200 echten Kundenanfragen aus dem Archiv, Trefferrate Top-20: 96 %.
Woche 5-6: Claude-Vision als Reranker. Hier die größte Iteration: Claude musste lernen, Teile nicht nur visuell zu vergleichen, sondern Kontext zu nutzen („Die Kundenmaschine ist Baureihe K7 von 2014, welche Variante passt?"). Drei Prompt-Versionen, bis die Top-3-Trefferrate bei 91 % lag.
Woche 7: WhatsApp-Business-Integration, Rollout für den Innendienst. Erste Woche doppelt gefahren (KI-Vorschlag + manuelle Prüfung), danach scharf. Erste große Reklamation nach Umstellung: ein Teil, das in der KI richtig war, aber der Mitarbeiter hat beim Durchwinken nicht auf die Variante geachtet. Lernkurve, kein Systemfehler.
Ähnliche Ergebnisse für Ihr Unternehmen?
In 15 Minuten zeigen wir Ihnen, wo KI in Ihrem Betrieb den größten Hebel hat.