In einer global vernetzten Produktionswelt ist eine hohe logistische Leistungsfähigkeit ein wichtiger Stellhebel für die Wettbewerbsfähigkeit – mit Termintreue als zentralem Erfolgskriterium. Die zuverlässige Prognose von Lieferterminen bleibt jedoch eine Herausforderung, da zahlreiche interne und externe Störeinflüsse eine belastbare Terminplanung erschweren. Diese Arbeit stellt einen neuen Ansatz vor, der Methoden der künstlichen Intelligenz, insbesondere des maschinellen Lernens, mit bewährten logistischen Modellen kombiniert, um den Einsatz von Durchlaufzeitprognosen zu erleichtern. Durch diese funktionale Verknüpfung entsteht ein praxisnahes Vorgehen, das in allen Phasen der Auftragsabwicklung anwendbar ist. Im Fokus steht dabei weniger die technische Ausgestaltung des maschinellen Lernens, sondern vielmehr die Generierung transparenter Ergebnisse, deren Integration in bestehende Planungsprozesse sowie die Bewertung, unter welchen Rahmenbedingungen Durchlaufzeitprognosen den größten Nutzen erzielen.