{"id":1949,"date":"2026-10-16T07:26:03","date_gmt":"2026-10-16T07:26:03","guid":{"rendered":"https:\/\/benlongkj.com\/?p=1949"},"modified":"2026-10-16T07:26:06","modified_gmt":"2026-10-16T07:26:06","slug":"agentic-ai-in-manufacturing","status":"publish","type":"post","link":"https:\/\/benlongkj.com\/de\/blog\/agentic-ai-in-manufacturing\/","title":{"rendered":"Agentische KI in der Fertigung: Wie KI-Agenten den Fabrikboden ver\u00e4ndern"},"content":{"rendered":"

Es ist 2:40 Uhr morgens, und ein Lieferant hat eine E-Mail gesendet, die dar\u00fcber informiert, dass eine Charge Kupferspulen mit einer Verz\u00f6gerung von zwei Tagen geliefert wird. In den meisten Fertigungsanlagen verbleibt diese Nachricht einfach im Posteingang, bis ein Planer um acht Uhr in der Fabrik eintrifft. Zu diesem Zeitpunkt werden die Mitarbeiter der Nachtschicht, die bereits mit der Produktion unter Verwendung dieser Spulen begonnen haben, feststellen, dass die Linie bis zum Mittag stillsteht, was jemanden dazu zwingt, die manuelle Neuplanung der Prozesse f\u00fcr den Tag abzuschlie\u00dfen.<\/p>\n

Stellen wir uns nun eine alternative Nacht vor. Ein Software-Agent liest die eingehende E-Mail, pr\u00fcft, welche Auftr\u00e4ge von den fehlenden Spulen abh\u00e4ngen, sowie welche Vorr\u00e4te noch auf Lager sind, und erstellt einen neuen Ablaufplan, dem die Fabrik ohne die Spulen folgen k\u00f6nnte. Er \u00fcberpr\u00fcft die Verf\u00fcgbarkeit der Ausr\u00fcstung anhand von MES-Daten, identifiziert zwei Auftr\u00e4ge, die sich verz\u00f6gern werden, und sendet dem Planer eine Nachricht mit dem neu geplanten Zeitplan.<\/p>\n

Dieses zweite Szenario ist das, worauf sich Menschen beziehen, wenn sie von agentischer KI in der Fertigung sprechen. Es geht dabei tats\u00e4chlich nicht nur um ein intelligentes Dashboard, sondern um die F\u00e4higkeiten agentischer KI, alle erforderlichen Aktionen zu planen, Fabriksoftware-Tools zu nutzen und den Produktionsprozess eigenst\u00e4ndig abzuschlie\u00dfen.<\/p>\n

Das Konzept der agentischen KI hat sich schnell von einer faszinierenden Idee zu einem Bestandteil der Fahrpl\u00e4ne von Lieferanten entwickelt. Im Fr\u00fchjahr 2026 ver\u00f6ffentlichte IBM beispielsweise einen Leitfaden, der darauf hinweist, dass autonome Qualit\u00e4tsmanagement, dynamische Planung und End-to-End-Prozessoptimierung die f\u00fchrenden Anwendungen agentischer KI-Technologien sein sollten. Im M\u00e4rz desselben Jahres erkl\u00e4rte Siemens, dass industrielle KI-Systeme agentisch werden; es wurde auch der Orchestrator-Agent eingef\u00fchrt, der spezialisierte Agenten \u00fcberwacht, die mit Hilfe seines Industrial Copilot-Programms agieren. In diesem Monat bezeichnete Microsoft 2026 sogar als Wendepunkt f\u00fcr KI, bei dem Governance sowie die F\u00e4higkeit zur Umkehrung zu den Schl\u00fcsselfaktoren f\u00fcr den Erfolg der KI-Implementierung geh\u00f6ren w\u00fcrden.<\/p>\n

Der vorliegende Leitfaden liefert Informationen dar\u00fcber, was agentische KI ist, wo sie bereits eingesetzt wird und wie die Technologie implementiert werden kann, ohne neue Risiken zu schaffen. Dar\u00fcber hinaus f\u00fchren wir Sie durch ein Beispiel ihrer Anwendung im Prozess der Leistungsschalterpr\u00fcfung.<\/p>\n

Kurze Antwort: Agentische KI in der Fertigung wird als KI-Systeme beschrieben, die in der Lage sind, gesetzte Ziele durch Planung der erforderlichen Ma\u00dfnahmen zu erreichen, Informationen aus Datensystemen wie MES, ERP und Wartungssoftware zu beziehen und Aktionen mit minimaler menschlicher Beteiligung durchzuf\u00fchren. Die Hauptanwendungen agentischer Fertigungs-KI-Technologien umfassen Qualit\u00e4tsuntersuchungen, dynamische Planung, Wartungskoordination und die Neuplanung der Lieferkette. In den effektivsten Produktionseinheiten arbeiten Agenten unter klar definierten Befugnisgrenzen: Die Sicherheitslogik liegt in der SPS, w\u00e4hrend risikoreichere Aktionen die Notwendigkeit menschlicher Genehmigung erfordern.<\/p><\/blockquote>\n

\"\"<\/h2>\n

Was ist Agentic AI in der Fertigung?<\/h2>\n

Die Mehrheit der Fabriken hat bereits Formen von \u201cIntelligenz\u201d genutzt. SPS berechnen Logikoperationen mit sehr hoher Frequenz \u2013 jede Sekunde f\u00fchren sie diese Aktivit\u00e4t tausendfach aus. Vision-Systeme sortieren fehlerhafte Teile aus. Pr\u00e4diktive Modelle zeigen, dass das Lager verschlissen ist. Die Frage ist: Was ist hier neu?<\/p>\n

Tats\u00e4chlich unterscheidet sich der geschlossene Regelkreis. Pr\u00e4diktive Modelle liefern Informationen, w\u00e4hrend agentische Systeme in der Lage sind, darauf zu reagieren. Laut Siemens repr\u00e4sentieren agentische Systeme KI, die mehrere Datenquellen und Werkzeuge nutzt, um L\u00f6sungen zu bieten und mehrstufige Probleme zu l\u00f6sen, ohne dass jemand jeden Klick ausf\u00fchrt. IBM beschreibt es im Kontext von Fertigungsaktivit\u00e4ten. Agentische Systeme k\u00f6nnen Maschineneinstellungen \u00e4ndern, wenn sie den Defekt erkennen, anstatt nur dar\u00fcber zu berichten.<\/p>\n

In der Realit\u00e4t, k\u00f6nnen KI-Agenten in der Fertigung<\/strong> als Computerprogramme betrachtet werden, die drei Funktionen erf\u00fcllen: ein Ziel haben (die Ausgabemenge auf Linie 3 aufrechterhalten und den Qualit\u00e4tsalarm bearbeiten), bestimmte Zugriffe auf Werkzeuge besitzen (MES lesen, Arbeitsauftr\u00e4ge f\u00fcr Wartung erstellen, Lagerbestand der Lieferanten ermitteln) und durch Regeln f\u00fcr ihr Handeln geleitet werden.<\/p>\n

KI-Agenten vs. traditionelle KI vs. Automatisierung<\/h3>\n

Die Begriffe werden st\u00e4ndig vermischt, daher hier ein Vergleich auf einer typischen Produktionslinie.<\/p>\n\n\n\n\n\n\n\n\n
Technologie<\/th>\nWas sie tun<\/th>\nFabrikbeispiel<\/th>\nWer handelt basierend auf dem Ergebnis<\/th>\n<\/tr>\n<\/thead>\n
Regelbasierte Automatisierung (SPS, Roboter)<\/td>\nF\u00fchrt feste Logik genau wie programmiert aus<\/td>\nEine Press-Fit-Station lehnt ein Teil ab, wenn die Kraft den Grenzwert \u00fcberschreitet<\/td>\nDie Maschine, innerhalb fester Regeln<\/td>\n<\/tr>\n
Pr\u00e4diktive \/ analytische KI<\/td>\nErkennt Muster und prognostiziert Ergebnisse<\/td>\nEin Modell sagt einen Spindelausfall in zehn Tagen voraus<\/td>\nEine Person liest die Warnung und entscheidet<\/td>\n<\/tr>\n
Generative KI-Copilot<\/td>\nBeantwortet Fragen und erstellt Inhalte auf Anfrage<\/td>\nEin Ingenieur fragt nach SPS-Code oder einer Fehlererkl\u00e4rung in einfacher Sprache<\/td>\nEine Person, nach jeder Eingabe<\/td>\n<\/tr>\n
Agentische KI<\/td>\nPlant und f\u00fchrt mehrstufige Arbeiten zur Zielerreichung mit Werkzeugen aus<\/td>\nEin Agent sieht die Fehlerprognose, findet ein Niedriglastfenster, bucht den Techniker und bestellt das Ersatzteil<\/td>\nDer Agent, innerhalb genehmigter Grenzen; Menschen genehmigen risikoreichere Schritte<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Beachten Sie, dass agentische KI die anderen drei nicht ersetzt. Sie sitzt \u00fcber ihnen. Die SPS steuert weiterhin die Maschine. Das pr\u00e4diktive Modell liefert weiterhin die Prognose. Der Agent ist die Schicht, die diese Signale in Aktionen umsetzt.<\/p>\n

Wie ein KI-Agent auf dem Fabrikboden arbeitet<\/h3>\n

Bis zu vier Hauptalgorithmen steuern den Kern der meisten industriellen Agenten:<\/p>\n

Wahrnehmung von Echtzeit- und historischen Informationen, die aus Maschinenzust\u00e4nden in SCADA oder SPS, Betriebsergebnissen in MES- oder ERP-Auftr\u00e4gen sowie aktualisierten Bestellanforderungen \u00fcber Lieferantenportale oder E-Mails gesammelt werden.
\nSchlussfolgerung. Verwendung eines Sprachmodells plus Dom\u00e4nenregeln, um die Situation zu verstehen und einen Plan zu entwickeln, z. B. \u201cDie Pr\u00fcfergebnisse schwanken; pr\u00fcfen Sie zuerst, ob eine Pr\u00fcfvorrichtung verantwortlich ist.\u201d
\nAktivierung. Werkzeuge aufrufen: Abfragen ausf\u00fchren, Arbeitsauftr\u00e4ge erstellen, Zeitpl\u00e4ne aktualisieren und Nachrichten senden. Jeder erstellte Aufruf wird protokolliert.
\nLernen. Das Ergebnis betrachten und mit den Erwartungen vergleichen; dann die n\u00e4chste Entscheidung anpassen.<\/p>\n

Der Verlust eines universellen Agenten ist bei gro\u00dfen Anlagen selten. Sie setzen mehrere spezialisierte Agenten mit einem Orchestrator ein, der die Verantwortung tr\u00e4gt. Genau das meint Siemens: Seine Industrial Copilots sind die konversationelle Benutzeroberfl\u00e4che, w\u00e4hrend der Orchestrierungsagent entscheidet, welcher Expertenagent welchen Teil der Aufgabe \u00fcbernimmt. IBM bezeichnet dasselbe Modell als Multi-Agenten-System, das \u00fcber Workflows hinweg arbeitet, anstatt in einer isolierten Aufgabe festzustecken.<\/p>\n

Was IBM, Siemens und Microsoft sagen<\/h3>\n

Die drei Unternehmen n\u00e4hern sich dem Thema aus unterschiedlichen Perspektiven; das ist hilfreich, da sie so alle Aspekte von Strategie, industrieller Software und Cloud-Infrastruktur abdecken.<\/p>\n

IBM sieht agentische KI als einen fortlaufenden Entscheidungsprozess, der Kosten, Qualit\u00e4t und Lieferung gleichzeitig bewertet. Der \u00dcberblick des Unternehmens f\u00fcr 2026 pr\u00e4sentiert acht Anwendungsbereiche von Qualit\u00e4t und Planung bis hin zu Vertrieb und Lieferkette und erg\u00e4nzt eine Gartner-Prognose, dass bis 2028 agentische KI in 33 Prozent der Unternehmenssoftwareanwendungen eingesetzt wird, verglichen mit weniger als 1 Prozent im Jahr 2024.
\nSiemens konzentriert sich auf die industrielle Wertsch\u00f6pfungskette, einschlie\u00dflich Design, Planung, Engineering, Betrieb und Service. Bei der Vorstellung seiner agentischen KI auf der Automate 2025 bezeichnete CEO Rainer Brehm diese Technologie als einen Schritt \u201c\u00fcber das Frage-Antwort-Paradigma hinaus\u201d zu Systemen, die Workflows abschlie\u00dfen k\u00f6nnen. Das Unternehmen gibt eine Produktivit\u00e4tssteigerung von bis zu 50 Prozent an und versichert, dass Kunden die Kontrolle \u00fcber die Aufgaben behalten, die sie an Agenten \u00fcbergeben.<\/p>\n

Microsoft konzentriert sich auf Orchestrierung und Vertrauen. Sein im M\u00e4rz 2026 ver\u00f6ffentlichter Artikel beschreibt drei Verschiebungen \u2013 Systeme, Daten und Arbeit \u2013 mit den Werkzeugen, die es Nutzern erm\u00f6glichen, mit Assistenten zu arbeiten, die durch Agenten ersetzt werden, die Aufgaben ausf\u00fchren. Laut dem Unternehmen entsteht mit dem \u00dcbergang der k\u00fcnstlichen Intelligenz von der Empfehlung zur Ausf\u00fchrung von Aufgaben der Bedarf an Modellmanagement, Zugangskontrolle, Daten-, OT- und Erkl\u00e4rbarkeit der Entscheidungen.<\/span><\/p>\n

Anwendungsf\u00e4lle agentischer KI in der Fertigung<\/h2>\n

Hier wird das Gespr\u00e4ch praktisch. Nachfolgend sind die Anwendungsf\u00e4lle agentischer KI in der Fertigung<\/strong> aufgef\u00fchrt, die in Anbieterunterlagen und fr\u00fchen Eins\u00e4tzen am h\u00e4ufigsten vorkommen, mit der Art von Arbeit, die ein Agent in jedem Fall tats\u00e4chlich ausf\u00fchrt.<\/p>\n

Autonomes Qualit\u00e4tsmanagement<\/h3>\n

Da die Informationen bereits vorliegen, ist Qualit\u00e4t in diesem Fall der Ausgangszustand. Zahlreiche Inspektionskameras, Pr\u00fcfst\u00e4nde oder Messger\u00e4te liefern alle Zahlen, die meistens nur einmal betrachtet werden.<\/p>\n

Im Gegensatz zu anderen Systemen \u00fcberwacht ein Qualit\u00e4tsagent jedoch st\u00e4ndig die Daten. Dies bedeutet, dass der Agent, sobald er Anomalien in den Daten feststellt (wie steigende Fehlerquoten, sich n\u00e4hernde Grenzwerte oder H\u00e4ufungen von Ausf\u00e4llen in einer bestimmten Schicht), nicht nur die Anomalie aufzeichnet. Er untersucht Fragen wie, welche Produktionsstation oder Vorrichtung solche Ergebnisse produziert hat.<\/p>\n

Als Beispiel kommt hier IBM mit dem elektronischen Bereich: Sobald das System einen wiederkehrenden Fehler beim L\u00f6ten erkennt, hat es die M\u00f6glichkeit, die Temperatur und die Zeitsteuerung der Ausr\u00fcstung zu korrigieren oder gezielte Tests aller k\u00fcrzlich gel\u00f6teten Platinen zu starten.<\/p>\n

Im Falle sicherheitskritischer Produkte ist die Funktion des Agenten normalerweise auf die Untersuchung beschr\u00e4nkt, w\u00e4hrend jede Prozess\u00e4nderung der Genehmigung eines lizenzierten Ingenieurs unterliegt.<\/p>\n

Dynamische Produktionsplanung<\/h3>\n

In dem Moment, in dem ein Produktionsplan erstellt wird, beginnt er veraltet zu sein. Dies kann auf Maschinenst\u00f6rungen, Eilauftr\u00e4ge oder Lieferprobleme zur\u00fcckzuf\u00fchren sein. Das bedeutet, dass die Mitarbeiter st\u00e4ndig alles in ihren Tabellen neu planen m\u00fcssen, vor allem w\u00e4hrend des Tages.<\/p>\n

Planungsagenten planen Auftr\u00e4ge kontinuierlich neu unter Verwendung von Live-Informationen \u00fcber Auftragsstatus, Maschinen, Verf\u00fcgbarkeit von Arbeitskr\u00e4ften und Materialverf\u00fcgbarkeit. IBM gab ein Beispiel, bei dem in einer Autofabrik die Produktion aufgrund von Verz\u00f6gerungen bei der Lieferung eines wichtigen Bauteils ausgesetzt wird. Anstatt die Produktion jedoch abzuschalten, kann ein Planungsagent den Produktionsprozess leicht neu organisieren, Fahrzeuge bestellen, die nicht auf die Lieferung angewiesen sind, zuerst herzustellen, und die Arbeitsbelastung zwischen den Linienarbeitern ausgleichen.<\/p>\n

Dieser Ansatz kann ebenso auf die meisten Fertigungsprozesse angewendet werden. Selbst ein kleiner Hersteller von Leistungsschaltern, der mehrere verschiedene Modelle herstellt, kann von einer Reduzierung der Anzahl der notwendigen Umr\u00fcstungen profitieren.<\/p>\n

Vorausschauende Wartungskoordination<\/h3>\n

Vorausschauende Wartung gibt es schon lange, aber die Herausforderung bestand immer darin, was nach der Vorhersage passiert. Jemand muss den Alarm aufnehmen, den Zeitplan pr\u00fcfen, einen Techniker finden, das ben\u00f6tigte Ersatzteil bestellen und die Ausfallzeit mit der Produktion abstimmen.<\/p>\n

Diese Aufgabe wird von Agenten \u00fcbernommen. IBM beschreibt Agenten als diejenigen, die in der Lage sind, Arbeiten w\u00e4hrend erwarteter Produktionsausfallzeiten zu planen, Ersatzteile zu bestellen, Techniker zuzuweisen und vor\u00fcbergehend Lasten mit anderen Maschinen zu tauschen. Der gleiche Ansatz wurde im Senseye Maintenance Copilot-Projekt von Siemens \u00fcbernommen. Laut Siemens haben Pilotkunden die Zeit f\u00fcr reaktive Wartungsaktivit\u00e4ten im Durchschnitt um 25 % reduziert.<\/p>\n

Koordination von Lieferkette und Lagerbestand<\/h3>\n

Microsoft ist der Ansicht, dass die fr\u00fche KI in der Lieferkette nur Berichte und Dashboards erzeugte, wonach es an den Menschen lag, basierend auf den erhaltenen Erkenntnissen Ma\u00dfnahmen zu ergreifen. Die n\u00e4chste Stufe ist eine KI, die in der Lage ist, durch Koordination mit Lieferanten zu handeln, Ressourcen anzusto\u00dfen oder neu zu planen und potenzielle Logistikprobleme zu managen.<\/p>\n

IBM verweist auf eigene Forschungen, die in Zusammenarbeit mit Oracle und Accelalpha durchgef\u00fchrt wurden und zeigen, dass 62\u202f% der F\u00fchrungskr\u00e4fte in der Lieferkette angeben, dass KI-Agenten die Handlungsgeschwindigkeit erh\u00f6hen. Gleichzeitig erwarten 76\u202f% der Leiter von Lieferketten, dass Agenten, die in der Lage sind, Routineaufgaben schneller als Menschen zu l\u00f6sen, dazu beitragen, eine bessere Effizienz in den operativen Prozessen zu erreichen.<\/p>\n

F\u00fcr eine bestimmte Fabrik bedeutet die praktische Version, dass der Agent erkennt, dass einer der Lieferanten versp\u00e4tet ist, bestimmt, welche Bestellungen betroffen sind, und einen anderen Lieferanten oder ein anderes Material f\u00fcr die betreffende Bestellung vorschl\u00e4gt. Dies ist die zuvor beschriebene Erz\u00e4hlung um 2:40 Uhr morgens.<\/p>\n

End-to-End Prozessoptimierung<\/h3>\n

Bei herk\u00f6mmlichen Initiativen zur Prozessverbesserung erfolgt die Optimierung ausschlie\u00dflich an einer Station. Es ist m\u00f6glich, jeden Parameter des Prozesses zu ber\u00fccksichtigen, w\u00e4hrend die Kompromisse zwischen Geschwindigkeit, Kosten und Qualit\u00e4t des Prozesses abgewogen werden.<\/p>\n

Dies wurde an einem Fall mit IBMs Konsumg\u00fctern demonstriert. Der Agent entdeckte, dass eine Verringerung der Prozessgeschwindigkeit zu einer erheblichen Senkung der Fehlerquote f\u00fchren w\u00fcrde, wodurch die Gesamtkosten der Herstellung gesenkt werden. Die \u00c4nderungen wurden sofort umgesetzt und kontinuierlich im Prozess optimiert. Ein erfahrener Ingenieur h\u00e4tte zu demselben Ergebnis kommen k\u00f6nnen, allerdings erst nach monatelangen Datenanalysen und nicht in nur wenigen Tagen.<\/p>\n

Energie- und Ressourcenoptimierung<\/h3>\n

Schwere Industrieanlagen verf\u00fcgen \u00fcber die F\u00e4higkeit zur flexiblen Lastverschiebung, was Kosteneinsparungen erm\u00f6glicht. Der Einsatz von Agenten in der Stahl- und Chemieproduktion erlaubt es, energieintensive Prozesse dann durchzuf\u00fchren, wenn die Strompreise am niedrigsten sind, ohne den Ertrag zu beeintr\u00e4chtigen.<\/p>\n

Hersteller von elektrischen Ger\u00e4ten haben eigene Beispiele f\u00fcr flexible Lasten in Form von Burn-in-Tests elektrischer Komponenten. Ein gutes Beispiel ist\u00a0IoT intelligente MCB-Produktionslinie<\/a>, bei dem Alterungstests \u00fcber mehrere Tage unter Lastbedingungen durchgef\u00fchrt werden.<\/p>\n

Engineering, SPS-Programmierung und Produktentwicklung<\/h3>\n

Einige der fortschrittlichsten agentenbasierten Technologien finden sich eher im Engineering als auf der Produktionsfl\u00e4che. Der Engineering Copilot von Siemens f\u00fcr das TIA Portal erm\u00f6glicht es Automatisierungsingenieuren, SPS-Code aus einfachen Anweisungen zu entwickeln, w\u00e4hrend im NX CAD der Design Copilot seine Funktionen erf\u00fcllt. Siemens berichtet, dass bei thyssenkrupp Automation Engineering Ingenieure eine verbesserte Codequalit\u00e4t und schnellere Entwicklung festgestellt haben.<\/p>\n

IBM stellt Agenten dar, die die komplexe Ingenieursaufgabe in kleinere Teile zerlegen, Designvarianten entwickeln und Simulationen steuern, h\u00e4ufig in einem digitalen Zwilling, lange bevor ein physisches Objekt erscheint. K\u00fcrzere Produktionszyklen bedeuten eine schnellere Inbetriebnahme f\u00fcr jeden Nutzer der Automatisierung.<\/p>\n

Unterst\u00fctzung der Frontline-Operationen<\/h3>\n

Microsoft ist der Ansicht, dass Frontline-Teams, die multimodale Copiloten verwenden, eigenst\u00e4ndig mehr Probleme l\u00f6sen werden und glaubt, dass diese Prozesse, die Menschen und KI einbeziehen, schlie\u00dflich zu operativen Agenten werden. Der Operations Copilot von Siemens folgt einem \u00e4hnlichen Prinzip, da Bediener und Techniker Maschinendaten nutzen, um Fehlerbehebungsanleitungen in leicht verst\u00e4ndlicher Sprache zu erhalten.<\/p>\n

F\u00fcr Anlagen mit hoher Mitarbeiterfluktuation \u2013 ein h\u00e4ufiges Ph\u00e4nomen in vielen aufstrebenden Exportm\u00e4rkten \u2013 k\u00f6nnte dies der schnellste Weg sein, Vorteile zu erzielen, da jeder neue Mitarbeiter von der Expertise eines erfahrenen Technikers profitiert.<\/p>\n

Agentische KI-Anwendungen in der Fertigung auf einen Blick<\/h3>\n

Die folgende Tabelle fasst die wichtigsten agentischen KI-Anwendungen in der Fertigung<\/strong>, zusammen, die Systeme, mit denen jeder Agent typischerweise verbunden ist, und wo eine Person \u00fcblicherweise in der Schleife bleibt.<\/p>\n\n\n\n\n\n\n\n\n\n\n\n\n
Anwendungsfall<\/th>\nWas der Agent tut<\/th>\nSysteme, mit denen er verbunden ist<\/th>\nTypischer menschlicher Kontrollpunkt<\/th>\n<\/tr>\n<\/thead>\n
Qualit\u00e4tsmanagement<\/td>\nErkennt Trends, verfolgt Ursachen, l\u00f6st zus\u00e4tzliche Inspektionen aus<\/td>\nMES, Pr\u00fcfst\u00e4nde, Vision, SPC<\/td>\nIngenieur genehmigt jede Prozess\u00e4nderung<\/td>\n<\/tr>\n
Produktionsplanung<\/td>\nOrdnet Auftr\u00e4ge neu, wenn sich Bestellungen, Maschinen oder Materialien \u00e4ndern<\/td>\nERP, MES, Planungssoftware<\/td>\nPlaner genehmigt \u00c4nderungen, die Liefertermine verschieben<\/td>\n<\/tr>\n
Wartungskoordination<\/td>\nBucht Arbeiten in Niedriglastzeiten, bestellt Teile, weist Techniker zu<\/td>\nCMMS, Zustands\u00fcberwachung, MES<\/td>\nVorgesetzter best\u00e4tigt das Stillstandsfenster<\/td>\n<\/tr>\n
Koordination der Lieferkette<\/td>\nReagiert auf Lieferverz\u00f6gerungen, passt Bestellungen und Pl\u00e4ne an<\/td>\nERP, Lieferantenportale, E-Mail<\/td>\nEink\u00e4ufer genehmigt neue Lieferanten oder zus\u00e4tzliche Ausgaben<\/td>\n<\/tr>\n
Prozessoptimierung<\/td>\nOptimiert Geschwindigkeit und Sollwerte innerhalb genehmigter Bereiche<\/td>\nMES, Historian, genehmigte Maschinenschnittstellen<\/td>\nProzessverantwortlicher legt den erlaubten Bereich fest<\/td>\n<\/tr>\n
Energiemanagement<\/td>\nVerschiebt flexible Lasten in g\u00fcnstigere Zeitr\u00e4ume<\/td>\nEnergiez\u00e4hler, MES, Tarifdaten<\/td>\nAnlagenleiter legt die Grenzen fest<\/td>\n<\/tr>\n
Ingenieurwesen<\/td>\nGeneriert SPS-Code, Designvarianten und Simulationen<\/td>\nTIA Portal, CAD, PLM, Simulationswerkzeuge<\/td>\nIngenieur \u00fcberpr\u00fcft und testet den gesamten Code<\/td>\n<\/tr>\n
Frontline-Support<\/td>\nBeantwortet Bedienerfragen, f\u00fchrt bei der Fehlersuche<\/td>\nHandb\u00fccher, MES, Maschinendaten<\/td>\nBediener entscheidet, was zu tun ist<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Agentische KI in der diskreten Fertigung<\/h3>\n

Industrielle Prozessanlagen wie Raffinerien und Chemiewerke nutzen seit langem fortschrittliche Prozessleittechnologien. Im Gegensatz dazu hat die Einf\u00fchrung autonomer KI-Technologie ein neues Feld f\u00fcr die diskrete Fertigung er\u00f6ffnet, da diskrete Fertigungsanlagen mit verschiedenen Asymmetrien konfrontiert sind, die herk\u00f6mmliche Systeme nicht effektiv bew\u00e4ltigen k\u00f6nnen.<\/p>\n

Betrachten wir eine Anlage, die elektrische Ger\u00e4te herstellt \u2013 Leistungsschalter, Sch\u00fctze oder Messger\u00e4te. Die Produktionseinheit arbeitet mit Dutzenden von Versionen elektrischer Ger\u00e4te mit vielen Optionen und Modifikationen, von denen jede zu zahlreichen Produktionsfehlern f\u00fchren kann. Jedes Mal, wenn die Produktion von einem Auftrag zum n\u00e4chsten wechselt, besteht eine h\u00f6here Wahrscheinlichkeit, einen falschen Produktionsplan zu verwenden. Die Verfolgung von Produktionsst\u00fccken ist in diesem Fall kompliziert und wird von unz\u00e4hligen Variablen beeinflusst, was eine ausgezeichnete Gelegenheit f\u00fcr einen intelligenten \u201cl\u00f6senden\u201d Agenten darstellt, der fortschrittliche Technologien einsetzt.<\/p>\n

Die Effizienz, die von Spitzenproduzenten mit einer gro\u00dfen Vielfalt an Produkten gezeigt wird, beweist dies. Rockwell Automation Singapore produziert \u00fcber 1.000 verschiedene Produkte, von denen die Mehrheit im Laufe des Jahres aufgrund des Einsatzes von \u00fcber 50 digitalen und KI-Technologien, von denen eine die KI f\u00fcr die Qualit\u00e4tskontrolle ist, zahlreiche \u00c4nderungen durchl\u00e4uft. Siemens Amberg und Eaton Changzhou berichten eine \u00e4hnliche Geschichte, und wir haben beschrieben, wie sie dorthin gelangten, in unserem Leitfaden zu Fabrik-Leuchtturm-Beispielen von Schneider, Siemens und Eaton<\/a>.<\/p>\n

\"\"<\/p>\n

Beispiel: Wie ein KI-Agent auf Qualit\u00e4tsprobleme an einer MCB-Testlinie reagieren k\u00f6nnte<\/h3>\n

Dies ist ein Beispiel daf\u00fcr, wie agentenbasierte KI mit Testdaten arbeiten kann. Es beschreibt nicht den Betrieb eines tats\u00e4chlichen agentischen KI-Systems, das im Dienst von Benlong steht.<\/span><\/p>\n

Stellen Sie sich einen Hochgeschwindigkeits- MCB-Automatikpr\u00fcflinie<\/a> laufenden C16-Leistungsschalter vor. Jedes Ger\u00e4t durchl\u00e4uft Tests bei einem Sofortausl\u00f6ser (magnetisch) auf dem Niveau von 5-10\u00d7 In, thermische Kalibrierung bei 1,13\u00d7 und 1,45\u00d7 In sowie Kontaktwiderstand. Die Linie produziert 1.800-2.400 Einheiten pro Stunde, und f\u00fcr jede Einheit erscheinen das Ergebnis zusammen mit einer Seriennummer und einem Zeitstempel und senden die Daten an das MES, das \u00fcber OPC UA oder Modbus TCP verbunden ist.<\/p>\n

Innerhalb von mehr als zwei Schichten begannen die magnetischen Ausl\u00f6sergebnisse f\u00fcr eine Charge, sich den Toleranzgrenzen zu n\u00e4hern. Dennoch arbeitet jeder der MCBs normal. Das traditionelle System sieht kein Problem, da alles in Ordnung zu sein scheint.<\/p>\n

Eine agentische Qualit\u00e4tskontroll-KI, die Zugriff auf dieselben Daten hat, wird den Trend anders interpretieren. Sie kann daher Folgendes tun:<\/p>\n

Die Charge mit den historischen Ergebnissen \u00e4hnlicher Bewertungen vergleichen, um sicherzustellen, dass die Abweichung real ist und nicht nur eine normale Variation.
\nIdentifizieren, ob die Abweichung mit dem Montageprozess zusammenh\u00e4ngt, wie eine Station, Vorrichtung oder ein Wechsel der Bediener, oder ob dies irgendwie mit der vorgelagerten Materialcharge verbunden ist (wie eine neue Spule Draht oder ein Lieferant f\u00fcr den B\u00fcgel).
\nDie vom Teststand erhaltenen Daten pr\u00fcfen, um festzustellen, ob ein Messfehler aufgetreten ist, beispielsweise die Erh\u00f6hung des Kontaktwiderstands in der Testvorrichtung bewerten.
\nEmpfehlungen vorbereiten: Erh\u00f6hung der Stichprobenanzahl der betroffenen Charge und Durchf\u00fchrung der Vorrichtungsmessung.
\nDen Ingenieur \u00fcber das Problem informieren, damit dieser die Ma\u00dfnahmen genehmigen kann, die ergriffen werden sollen.<\/p>\n

Sobald der Ingenieur seine Genehmigung erteilt, erstellt das MES die Inspektionsaufgabe und die Sperrung. Der Agent beginnt dann, die nachfolgenden Einheiten zu \u00fcberwachen, um zu sehen, ob die Abweichung aufh\u00f6rt, und dokumentiert alles f\u00fcr m\u00f6gliche zuk\u00fcnftige Inspektionen.<\/p>\n

Es gibt einige Dinge, die der Agent niemals tun sollte. Insbesondere sollte er die Grenzwerte der Ausl\u00f6sefunktion nicht erh\u00f6hen, keine Sicherheitsanforderungen ignorieren oder eigenst\u00e4ndig Kalibrierungsparameter \u00e4ndern.<\/span> Alle Verantwortlichkeiten f\u00fcr die Bestehen\/Nichtbestehen-Entscheidungen liegen beim f\u00e4higen Testger\u00e4t. Die Rolle des Agenten besteht darin, das Problem zu finden und die Reaktionszeit der Verantwortlichen zu verbessern.<\/p>\n

Wie setzen Hersteller heute KI-Agenten in der Produktion ein?<\/h3>\n

Man mag sich fragen, wie authentisch all diese Informationen sind. Eine ehrliche Antwort auf diese Frage findet man, wenn man feststellt, dass ein Gro\u00dfteil dieser Informationen noch die Copilot-Phase betrifft, was bedeutet, dass das KI-System mit dem Menschen zusammenarbeitet und somit der Prozess der Schaffung autonomer Agenten schrittweise erfolgt. Die zug\u00e4nglichen Fakten sollten erw\u00e4hnt werden:<\/p>\n

Siemens behauptet, dass seine Industrial Copilots sowohl in Produktionsanlagen als auch f\u00fcr seine Kunden gute Ergebnisse liefern. Eines seiner Werke (das Motorenwerk in Bad Neustadt) nutzt den Insights Hub Production Copilot zur Datenverarbeitung und zur Umwandlung in umsetzbare Informationen. Dar\u00fcber hinaus plant Siemens die Einf\u00fchrung einer Plattform, die es verschiedenen Systemen (sowohl eigenen als auch Drittanbietern) erm\u00f6glicht, synergetisch zusammenzuarbeiten.
\nSiemens Digital Industries Software hat die Microsoft Teams-Anwendung entwickelt, die im Teamcenter PLM-System verwendet wird, um Sprachberichte in verschiedenen Sprachen zu verarbeiten und an relevante Experten weiterzuleiten.
\nK\u00f6rber hat beschlossen, sein PAS-X MES-System auf Microsoft Azure zu migrieren, um MES-, ERP- und Lieferkettendaten f\u00fcr seine Mitarbeiter zu integrieren.
\nDas Werk von Rockwell Automation in Singapur wurde im Juni 2026 mit dem Titel Global Lighthouse ausgezeichnet. Das Werk setzt viele KI-Systeme ein und hat die f\u00fcr die Schulung neuer Mitarbeiter ben\u00f6tigte Zeit um 67 % reduziert.<\/p>\n

Das Werk von Siemens in Nanjing wurde virtuell entworfen und f\u00fchrt mehr als 50 von KI gesteuerte Operationen durch, die Bestellungen in 78 % weniger Zeit bearbeiten.
\nDas Weltwirtschaftsforum gab im Juni 2026 bekannt, dass die Zahl der Global Lighthouses 238 erreicht hat und diese nun KI zur Schl\u00fcsselkompetenz im Betrieb machen.<\/p>\n

Wie man KI-Agenten in einer Fertigungsanlage einsetzt<\/h2>\n

Die \u00fcberwiegende Mehrheit der gescheiterten KI-Projekte in Fabriken scheitert aus anderen Gr\u00fcnden als den M\u00e4ngeln des Algorithmus. Das Scheitern kann auf schlechte Datenqualit\u00e4t und das Fehlen einer verantwortlichen Person f\u00fcr das Projekt zur\u00fcckgef\u00fchrt werden. Laut Microsoft sollte man die von KPMG aufgestellte \u201cFaustregel\u201d beachten, die die Gr\u00fcnde f\u00fcr erfolgreiche Projekte erkl\u00e4rt \u2013 10 Prozent sind auf den Algorithmus zur\u00fcckzuf\u00fchren, 20 Prozent auf Technologie und Daten und 70 Prozent auf Menschen und Prozesse.<\/p>\n

Hier ist eine praktische Abfolge f\u00fcr wie man KI-Agenten in einer Fertigungsanlage einsetzt<\/span>, geschrieben f\u00fcr eine mittelgro\u00dfe Fabrik und nicht f\u00fcr einen globalen Konzern.<\/p>\n

Schritt 1: Beginnen Sie mit einer Entscheidungs-Schleife, nicht mit einer \u201cKI-Strategie\u201d<\/h3>\n

W\u00e4hlen Sie eine h\u00e4ufige Entscheidung aus, der eine Person derzeit gegen\u00fcbersteht und die messbare Ergebnisse hat. Zum Beispiel k\u00f6nnten Sie betrachten, wie auf Qualit\u00e4tsfluktuationen an einer Montagelinie reagiert wird, wie nach einem Maschinenstillstand Arbeitspl\u00e4tze neu organisiert werden oder wie die Wartung an einem Engpass verwaltet wird. Eine schlechte Entscheidung kann jedoch auch alles betreffen, was mit Sicherheitsaktivit\u00e4ten zu tun hat oder nur zweimal im Jahr vorkommt.<\/p>\n

Formulieren Sie die Entscheidung in einem Satz, benennen Sie, wer f\u00fcr das Ergebnis verantwortlich ist (wer es derzeit besitzt), und erkl\u00e4ren Sie, was \u201cbesser\u201d in Zahlen bedeutet.<\/p>\n

Schritt 2: Beheben Sie zuerst die Datenbasis<\/h3>\n

Die Effektivit\u00e4t einer Maschine h\u00e4ngt von den Daten ab, auf die sie zugreifen kann. Bevor Sie eine KI-Plattform kaufen, achten Sie auf Folgendes:<\/p>\n

Werden Ergebnisse als digitale Aufzeichnungen pro Einheit oder Charge mit Zeitstempeln gespeichert?
\nKann jedes Ergebnis anhand seiner Maschinennummer, seines Standorts, seines Materialloses und seines Rezepts identifiziert werden?
\nSind die Daten verf\u00fcgbar und au\u00dferhalb der Maschine, beispielsweise \u00fcber OPC UA, Modbus TCP, SQL oder eine REST-API?
\nIst das MES oder eine zentrale Datenbank in der Lage, gen\u00fcgend Aufzeichnungen zu speichern, um Muster zu erkennen?<\/p>\n

IBM erkl\u00e4rt, dass Datenintegration und Altsysteme die erste H\u00fcrde f\u00fcr agentische KI darstellen, und r\u00e4t Unternehmen, zuerst die wertvollsten Datenquellen zu identifizieren, anstatt zu versuchen, alle Daten auf einmal zu integrieren. Unser Artikel \u00fcber vollst\u00e4ndig integrierte Automatisierung<\/a> erkl\u00e4rt, wie die PLC-, HMI-, MES- und ERP-Ebenen zusammenpassen.<\/p>\n

Schritt 3: Definieren Sie Autonomiestufen, bevor Sie live gehen<\/h3>\n

Dies ist der Schritt, den die meisten Teams \u00fcberspringen, und er bewahrt sie vor Problemen. Entscheiden Sie im Voraus, wie viel der Agent bei jeder Art von Aktion selbstst\u00e4ndig tun darf.<\/p>\n\n\n\n\n\n\n\n\n
Stufe<\/th>\nWas der Agent tun darf<\/th>\nBeispiel<\/th>\n<\/tr>\n<\/thead>\n
0 \u2013 Beobachten<\/td>\n\u00dcberwacht Daten und berichtet Ergebnisse; unternimmt keine Aktion<\/td>\nEine t\u00e4gliche Zusammenfassung der Qualit\u00e4tstrends auf jeder Linie<\/td>\n<\/tr>\n
1 \u2013 Empfehlen<\/td>\nSchl\u00e4gt Ma\u00dfnahmen mit Belegen vor; eine Person entscheidet und handelt<\/td>\nSchl\u00e4gt eine Vorrichtungspr\u00fcfung vor, wenn die Pr\u00fcfergebnisse zu schwanken beginnen<\/td>\n<\/tr>\n
2 \u2013 Mit Genehmigung handeln<\/td>\nBereitet die Aktion vor und f\u00fchrt sie aus, sobald eine Person zustimmt<\/td>\nErstellt eine MES-Inspektionsaufgabe, nachdem der Ingenieur genehmigt hat<\/td>\n<\/tr>\n
3 \u2013 Innerhalb von Grenzen handeln<\/td>\nHandelt eigenst\u00e4ndig innerhalb vorab genehmigter Grenzen und berichtet danach<\/td>\nOrdnet Auftr\u00e4ge innerhalb einer Schicht neu, wenn sich keine Liefertermine \u00e4ndern<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Die meisten Anlagen sollten auf Stufe 0 oder 1 beginnen und erst nach Aufbau einer Erfolgsbilanz des Agenten aufsteigen. Sicherheitsrelevante Funktionen bleiben auf jeder Stufe au\u00dferhalb der Reichweite des Agenten.<\/span><\/p>\n

Schritt 4: Geben Sie Agenten Werkzeuge, keine direkte Kontrolle<\/h3>\n

Es ist entscheidend, dass ein Agent \u00fcber dieselben kontrollierten Schnittstellen arbeitet, die auch ein Mensch verwenden w\u00fcrde, z. B. einen Arbeitsauftrag im Wartungssystem, eine MES-Sperre oder ein Update im Planungstool. Ein Agent darf nicht direkt mit dem PLC-Speicher interagieren, Sicherheitslogik \u00e4ndern oder genehmigte Rezepte ver\u00e4ndern.<\/p>\n

Beginnen Sie mit Lesezugriff und f\u00fcgen Sie dann Schreibrechte f\u00fcr jedes Werkzeug mit spezifischen Grenzen und Protokollen hinzu.<\/p>\n

Schritt 5: Bauen Sie Aufsicht, Pr\u00fcfpfade und R\u00fcckrollm\u00f6glichkeiten ein<\/h3>\n

Laut Microsoft m\u00fcssen f\u00fcr Hersteller vier Vertrauensfunktionen vorhanden sein, wenn KI eingesetzt wird: Modell-Governance, Daten- und Zugriffskontrolle, OT- und Endpunktsicherheit sowie die F\u00e4higkeit, Entscheidungen zu erkl\u00e4ren, einzuschr\u00e4nken und r\u00fcckg\u00e4ngig zu machen. Dasselbe Prinzip wird von IBM best\u00e4tigt, das empfiehlt, klare Grenzen f\u00fcr getroffene Entscheidungen zu setzen, einen Menschen in den Prozess einzubeziehen und sicherzustellen, dass jede KI-gesteuerte Aktion protokolliert wird.<\/p>\n

Mit anderen Worten: Jede getroffene Ma\u00dfnahme sollte durch Protokollierung der verwendeten Daten und der Begr\u00fcndung f\u00fcr die Entscheidung nachvollziehbar sein. Au\u00dferdem sollte jede Aktion entweder umkehrbar oder vorab genehmigt sein.<\/p>\n

Schritt 6: Testen Sie zuerst im Schattenmodus oder mit einem digitalen Zwilling<\/h3>\n

Es ist am besten, den Agenten im Betrieb zu testen, ohne die Ausr\u00fcstung zu ber\u00fchren. Der Agent sieht alles, was vor sich geht, trifft Entscheidungen und gibt Vorschl\u00e4ge, aber es passiert nichts. Vergleichen Sie seine Ratschl\u00e4ge mit den von Ihren Ingenieuren durchgef\u00fchrten Ma\u00dfnahmen und konzentrieren Sie sich auf die inkonsistenten Punkte.<\/p>\n

Wenn Sie das Simulationsmodell der Linie zur Hand haben, nutzen Sie es ebenfalls. Unser Leitfaden zu digitalen Zwillingen f\u00fcr Produktionslinien<\/a> erkl\u00e4rt, wie Siemens, Schneider Electric und ABB Simulation und virtuelle Inbetriebnahme einsetzen und wie kleinere Anlagen mit einer einzelnen Linie starten k\u00f6nnen.<\/p>\n

Schritt 7: Messen, dann skalieren<\/h3>\n

Halten Sie von Anfang an einige Zahlen fest: die Zeit vom Alarm bis zur ergriffenen Ma\u00dfnahme, Ausschuss- und Nacharbeitsraten, ungeplante Ausfallzeiten, Einhaltung des Zeitplans und den Prozentsatz der Empfehlungen, denen die Anwender folgen w\u00fcrden. Nachdem die erste Schleife sich als effektiv erwiesen hat, verwenden Sie das Datenmodell, das Berechtigungsframework und das Logging aus der vorherigen Schleife erneut.<\/p>\n

Microsoft verweist auf die Ergebnisse der MIT- und McKinsey-Forschung, die betonen, dass Organisationen mit einem ausgepr\u00e4gten Governance-Modell und einheitlichen Daten bis zu viermal mehr transformative Ergebnisse erzielen k\u00f6nnen und dies in einer halb so langen Zeit im Vergleich zu Unternehmen ohne Daten- und Governance-Framework. Was skaliert, ist die Grundlage, nicht der einzelne Pilot.<\/span><\/p>\n

Best Practices und h\u00e4ufige Fehler<\/h3>\n