KI-Agenten in der Fertigung: Drei Expertenmeinungen zu Hype, Realität und den nächsten Schritten

Sie haben es sicher schon oft gehört: „KI-Agenten werden das Werk leiten.“ Vorhersagen, optimieren, handeln. Doch in der Fertigung, wo Sicherheit, Qualität und Verfügbarkeit auf dem Spiel stehen, reichen bloße Behauptungen nicht aus. Die Agenten müssen sich das Vertrauen erst verdienen.

Auf Operations Calling Tulip drei führende Persönlichkeiten zusammen, die die Debatte rund um industrielle KI prägen: Moderiert wurde die Podiumsdiskussion von David Rogers, Senior Solutions Architect bei Databricks, der direkt mit Herstellern zusammenarbeitet, die KI in Produktionsumgebungen einsetzen. Zu ihm gesellten sich Pattie Maes, Professorin am MIT Media Lab und Pionierin im Bereich Software-Agenten, sowie Ashtad Engineer, weltweiter Leiter für Automobil- und Fertigungslösungen bei AWS. Gemeinsam erörterten sie, was industrielle KI-Agenten heute realistisch leisten können, was die Autonomie in der Fertigung noch behindert und welche Voraussetzungen erfüllt sein müssen, bevor Agenten den Betrieb sicher beeinflussen können. Die Diskussion brachte ein durchgängiges Thema zutage: Es gibt echte Fortschritte, doch der großflächige Einsatz von Agenten in der Fertigung erfordert weitaus mehr Struktur und Disziplin, als die meisten Schlagzeilen vermuten lassen.

Wir haben sieben wichtige Erkenntnisse zusammengefasst, die Teams dabei helfen sollen, die Aussagen zu KI-Agenten zu bewerten, zu verstehen, wie sich aus industriellen Agenten am besten echter geschäftlicher Nutzen erzielen lässt, und einen sicheren Weg für die Einführung von Agenten in großem Maßstab zu ebnen.

1. KI in der Industrie bedeutet Einschränkungen

In der Fertigung sind Systeme physischer Natur. Die Rahmenbedingungen sind begrenzt und haben Konsequenzen.

In der Fertigung ist ein Agent ein System, das Eingaben von Maschinen, Protokollen oder Unternehmenssystemen entgegennehmen, diese im Kontext interpretieren und Empfehlungen generieren oder Maßnahmen ergreifen kann, um ein definiertes Ziel zu erreichen.

„Bei industrieller KI geht es darum, KI in kontrollierten, begrenzten Umgebungen mit Sicherheitsvorkehrungen und Vorhersehbarkeit einzusetzen“, – Ashtad Engineer, weltweiter Leiter für Automobil- und Fertigungslösungen bei AWS

Genau das unterscheidet den industriellen Kontext so sehr von Chatbots für Endverbraucher oder Büro-Tools. Es geht nicht nur um intelligente Vorschläge, sondern darum, sicherzustellen, dass diese Vorschläge wiederholbar, nachvollziehbar und sicher sind.

Aus diesem Grund lassen sich erste Erfolge von Agenten in strukturierten, abgegrenzten Arbeitsabläufen erkennen:

• Computervision die Qualitätsprüfung

• KI-gestützte Planung für Instandhaltung und Terminierung

• Aufgaben im Zusammenhang mit der Datenübernahme und -bereinigung

„KI-Agenten müssen nicht vollständig autonom sein, um nützlich zu sein“, aber sie benötigen klare Rahmenbedingungen und Vorgaben, um verantwortungsbewusst handeln zu können – Pattie Maes, Professorin am MIT Media Lab

2. Beratende vs. autonome Agenten

Die Fertigung basiert heute auf eng aufeinander abgestimmten physischen Prozessen. Jede Entscheidung wirkt sich auf Sicherheit, Produktqualität, Durchsatz und oft auch auf die Einhaltung gesetzlicher Vorschriften aus. Um diese Komplexität zu bewältigen, setzen Werke auf Sensoren, vernetzte Maschinen, MES ERP sowie strenge Betriebsabläufe. In diesem Umfeld haben KI-Agenten meist noch eine beratende Funktion. Man findet sie in

• Bildverarbeitungssysteme, die Bauteile oder Verpackungen prüfen und mögliche Mängel melden

• Wartungs-Copiloten, die Sensordaten und den Geräteverlauf analysieren, um Arbeitsaufträge zu empfehlen oder das beste Zeitfenster für Ausfallzeiten vorzuschlagen

• Planungs- und Terminierungstools, die bei veränderten Rahmenbedingungen Änderungen der Abfolge, Kapazitätsanpassungen oder Bestandsverlagerungen vorschlagen

In der „Beratungszone“ lesen diese Agenten Produktionsdaten Richtlinien und erstellen anschließend Zusammenfassungen, ranggereihte Empfehlungen oder Vorschläge für die nächstbesten Maßnahmen. Sie handeln jedoch nicht eigenständig. Jede Änderung an Sollwerten, Zeitplänen oder Systemaufzeichnungen wird weiterhin von einem Menschen überprüft und genehmigt. Die Bediener behalten die Kontrolle, während die KI die kognitive Belastung verringert und den Teams hilft, schnellere und fundiertere Entscheidungen zu treffen, ohne eigenständig in den Produktionsprozess einzugreifen.

3. Wo die Agenten heute im Einsatz sind

KI-Agenten kommen zunächst in Bereichen zum Einsatz, in denen die Arbeitsabläufe klar und strukturiert sind. Dabei handelt es sich um Aufgaben, die festgelegten Prozessen folgen und klare Grenzen haben, wodurch sie weniger risikobehaftet und leichter skalierbar sind.

Dazu gehören heute:

• Qualitätsprüf
  Bildverarbeitungssysteme, die Bauteile oder Verpackungen prüfen und mögliche Mängel melden. Dies führt dazu, dass weniger fehlerhafte Produkte zum Kunden gelangen, weniger Nacharbeit erforderlich ist und eine gleichbleibendere Qualität gewährleistet wird.

• 
  zur Wartungsunterstützung: Tools, die Maschinendaten und Reparaturhistorien analysieren, um Arbeitsaufträge oder den optimalen Zeitpunkt für geplante Stillstandszeiten vorzuschlagen. Dies trägt zu einer schnelleren Fehlerbehebung, kürzeren Ausfallzeiten und einer besseren Nutzung der Wartungsressourcen bei.

• 
  en zur Datenbereinigung und -aufbereitung – Systeme, die Produktionsdaten organisieren und kennzeichnen, Produktionsdaten Teams diese für Berichte oder Analysen nutzen können. Dies trägt zu saubereren Daten, weniger manuellen Fehlern und schnelleren Erkenntnissen bei.

• 
  -Agenten zur Fehlerbehebung, die SOPs, Handbücher und frühere Vorfälle durchsuchen, um mögliche Ursachen und nächste Schritte vorzuschlagen. Dies führt zu einer kürzeren Problemlösungszeit und einer geringeren Abhängigkeit von „Stammeswissen“.

• Schichtzusammenfassungen und Berichts
  -Tools, die Protokolle und Notizen der Bediener in Berichtsentwürfe umwandeln, die von den Vorgesetzten geprüft werden können.
  Dies spart Zeit bei der Dokumentation und sorgt für eine einheitlichere Berichterstattung.

All diese Beispiele veranschaulichen den Einsatz von Beratungsagenten, die Entscheidungsprozesse unterstützen, während die Bediener die Kontrolle behalten.

Diese Anwendungsfälle sorgen für echte, messbare Verbesserungen in Bezug auf Effizienz, Konsistenz und Verfügbarkeit, ohne die Kontrolle an die Automatisierung abzugeben.

„Strukturierte Arbeitsabläufe wie Datenbereinigung und Onboarding – genau hier zeigt sich heute der echte Mehrwert von Agenten“, so Ashtad Engineer, weltweiter Leiter für Automobil- und Fertigungslösungen bei AWS

Dies sind praktische Ansatzpunkte für den Einstieg in die KI, die mit einem geringeren Risiko verbunden sind.

4. Die eigentlichen Hindernisse: Erklärbarkeit, die Möglichkeit, Entscheidungen nachzuvollziehen, Sicherheit und Haftung

Bevor ein Agent die Produktion beeinflussen kann, müssen vier Voraussetzungen erfüllt sein:
Sie müssen in der Lage sein, die Logik zu erklären, das Szenario nachzustellen, das System abzusichern und die Verantwortung für das Ergebnis zu übernehmen.

Die Bediener und Ingenieure benötigen mehr als nur eine Empfehlung – sie müssen sehen, wie diese zustande gekommen ist, und simulieren können, was passieren würde, wenn sie ihr folgen würden.

„Erklärbarkeit und Nachvollziehbarkeit sind entscheidend … Die Bediener wollen wissen: Wie ist der Agent zu dieser Schlussfolgerung gekommen?“ – Ashtad Engineer, weltweiter Leiter für Automobil- und Fertigungslösungen bei AWS

Sicherheit und Datenschutz stellen eine weitere Herausforderung dar. Wenn Mitarbeiter auf Unternehmenssysteme, Cloud-Umgebungen oder von Anbietern verwaltete Modelle zugreifen, stellen sich folgende Fragen: Wem gehören die Daten? Können sie isoliert werden? Ist das geistige Eigentum geschützt?

Das letzte Hindernis ist die Haftung. Wenn ein Vertreter Nacharbeit, Ausfallzeiten oder Schlimmeres verursacht, wer ist dann verantwortlich? Der Hersteller? Der Anbieter? Der Modellanbieter?

5. Validierung + Abweichung: Was die Anbieter in der operativen Praxis außer Acht lassen

In der Fertigung reicht es nicht aus, dass ein KI-Agent nur einmal funktioniert. Er muss auch dann weiterarbeiten, wenn sich die Bedingungen ändern.

In regulierten Branchen wie der Biopharmaindustrie, der Medizinprodukteherstellung usw. gibt es eine formelle Validierung. Wenn ein Mitarbeiter Änderungen an einem Live-System vornimmt, beispielsweise einen Schritt auslöst oder einen Datensatz aktualisiert, muss dies getestet, dokumentiert und nachvollziehbar sein. Daran führt kein Weg vorbei.

Selbst in nicht regulierten Anlagen ändern sich die Gegebenheiten im Laufe der Zeit. Die Materialien variieren. Maschinen nutzen sich ab. Prozesse werden angepasst. Wenn sich die reale Welt verändert, ändern sich auch die Daten, die in das KI-Modell einfließen. Und wenn sich die Daten ändern, kann die Genauigkeit des Modells nachlassen. Dies wird als Modelldrift bezeichnet: Ein Modell verliert langsam an Genauigkeit, weil sich die Umgebung, auf die es trainiert wurde, verändert hat.

Was letzten Monat noch funktioniert hat, muss im nächsten Quartal nicht unbedingt noch funktionieren. Wenn niemand die Leistung überwacht, können sich kleine Fehler anhäufen, bis der Mitarbeiter eine falsche Empfehlung ausspricht.

Deshalb müssen KI-Systeme überwacht, versionsverwaltet und regelmäßig überprüft werden. Möglicherweise müssen sie neu trainiert werden. Möglicherweise müssen sie auf einen früheren Stand zurückgesetzt werden. KI im operativen Betrieb funktioniert nicht nach dem Motto „Einmal einrichten und dann vergessen“. Sie muss wie jedes andere kritische Produktionssystem verwaltet und überprüft werden.

Versionsverwaltung und erneute Validierung sind wichtig. Agenten benötigen einen übersichtlichen Änderungsverlauf mit Sicherheitsvorkehrungen für das erneute Training, das Zurücksetzen und regelmäßige Überprüfungen. KI im operativen Betrieb funktioniert nicht nach dem Motto „Einmal einrichten und dann vergessen“. Sie muss wie jedes andere kritische System verwaltet, validiert und überwacht werden.

6. Autonomie erfordert Systemverständnis – die Richtung „Digital Twin“

Wenn Agenten jemals eigenständig handeln sollen, brauchen sie mehr als nur Daten – sie brauchen Kontext und Kausalität. Das bedeutet, dass sie sowohl den aktuellen Systemzustand kennen müssen als auch wissen müssen, wie das System auf eine Veränderung reagieren wird.

„Autonomie setzt voraus, dass man den Zustand des Systems und dessen Reaktionsdynamik versteht. Das ist Ihr digitaler Zwilling.“ – Ashtad Engineer, weltweiter Leiter für Automobil- und Fertigungslösungen bei AWS

Digitale Zwillinge helfen dabei, diese Lücke zu schließen. Durch die Kombination von Modellierungen nach den Grundprinzipien (Physik, Chemie, Durchflussraten) mit empirischen Echtzeitdaten ermöglichen sie es den Teams, Ergebnisse zu simulieren, bevor sie Maßnahmen ergreifen.

Diese Art des systemübergreifenden Denkens ist für eine sichere Autonomie unerlässlich. Ohne sie können Akteure nur raten. Und in der Fertigung kann eine falsche Einschätzung zu Produktverschwendung, Sicherheitsrisiken oder nicht bestandenen Audits führen.

Deshalb ist Autonomie in der Produktion nach wie vor selten. Doch sobald die Grundlagen für den digitalen Zwilling geschaffen sind, können Teams damit beginnen, das Verhalten der Agenten in kontrollierten, simulierten Umgebungen zu testen, bevor sie die Kontrolle abgeben. Erst die Simulation, dann die Autonomie.

7. Standards: Ein Gewinner vs. föderierte Realität

Eine weit verbreitete Hoffnung im Bereich der KI-Tools ist, dass sich ein universelles Protokoll herausbilden wird, das es allen Akteuren, Tools und Systemen ermöglicht, dieselbe Sprache zu sprechen.

„Im Idealfall gibt es ein einziges offenes Protokoll, das gemeinsam entwickelt wurde“ – Pattie Maes, Professorin am MIT Media Lab

Und diese Komplexität ist real. Die meisten Werke nutzen ein Flickwerk aus Protokollen, das sich über jahrzehntealte Anlagen, herstellerspezifische APIs und selbst entwickelte Systeme erstreckt. All das unter einem einzigen Protokoll zu standardisieren? Das wird so schnell nicht passieren.

Stattdessen verfolgt man einen föderierten Ansatz:

• Gemischte Systeme zulassen

• Übersetzungsschichten erstellen

• Der Fokus liegt auf semantischer Konsistenz (gemeinsame Bedeutung, nicht gemeinsame Syntax)

Wenn Agenten systemübergreifend über einen „Stapel“, einen „Sollwert“ oder einen „Alarm“ nachdenken können, können sie auch dann effektiv arbeiten, wenn sich die Protokolle unterscheiden.

Die Zukunft liegt also nicht in einem einzigen Protokoll, das alle anderen ersetzt. Es ist vielmehr die Interoperabilität durch Sinnhaftigkeit und Governance, die die Rückverfolgbarkeit gewährleistet.

Industrielle KI-Agenten sind keine Zauberei, und sie sind (noch) nicht autonom. Was heute funktioniert, sind beratende Agenten, die in von Menschen gesteuerte Arbeitsabläufe eingebettet sind und auf bestimmte, strukturierte Probleme ausgerichtet sind.

Wenn Sie für den operativen Bereich, die Qualitätssicherung oder IT/OT verantwortlich sind, finden Sie hier einen pragmatischen Weg nach vorn:

• Beginnen Sie mit in Workflows integrierten Agenten und nicht mit eigenständigen Copiloten.

• Konzentrieren Sie sich auf Bereiche wie Wartungsunterstützung, Datenbereinigung und Inspektion, in denen der Prozess strukturiert und das Risiko begrenzt ist.

• Zuerst Vertrauen aufbauen, dann Autonomie gewähren: Achten Sie auf Nachvollziehbarkeit, Wiederholbarkeit, Genehmigungen und klare Grenzen.

• Behandle Agenten als Teil einer individuell gestaltbar und nicht als neuen Monolithen.

• Investieren Sie in die weniger glamourösen Bereiche: gemeinsame Vokabulare, Validierungsabläufe, Versionsverwaltung und Drift-Überwachung.

• Autonomie sollte nur dann untersucht werden, wenn der Systemzustand und die Reaktionsdynamik gut verstanden oder simuliert sind.

KI-Agenten können helfen, aber nur, wenn sie in Ihrer Realität verankert sind, Ihren Prozessen unterliegen und Ihren Standards gerecht werden. Das ist kein Hype. Das ist die eigentliche Arbeit.

Tulip KI-Agent, sondern eine Plattform, die Herstellern dabei hilft, „Human-in-the-Loop“-Workflows aufzubauen, zu verwalten und zu skalieren, in denen KI-Agenten Unterstützung leisten können, ohne dabei ihre Grenzen zu überschreiten.

Mit Tulip erstellen Teams strukturierte Frontline-Apps, die Arbeitsabläufe standardisieren, Genehmigungsverfahren durchsetzen und Kontextinformationen in Echtzeit erfassen. KI-Tools wie Copilots oder Bildverarbeitungsmodelle lassen sich direkt in diese Arbeitsabläufe einbinden – und das alles mit klaren Rahmenbedingungen.

Die Plattform Tulipbietet zudem die Kontrollmöglichkeiten, die für die Akzeptanz durch die Makler erforderlich sind:

• Sichere Vernetzung zwischen OT- und Unternehmenssystemen

• In jede App integrierte Berechtigungen, Versionsverwaltung und Prüfpfade

• Eine individuell gestaltbar , die mit Ihren Anforderungen wächst und sich nicht gegen sie stellt

Das bedeutet, dass Ihre Mitarbeiter die Kontrolle behalten. Ihre Daten bleiben geschützt. Und Ihre Arbeitsabläufe entsprechen stets den Vorschriften – ganz gleich, ob Sie in der diskreten Fertigung, der Chargenfertigung oder der regulierten Fertigung tätig sind.

KI-Agenten sind keine Abkürzung, sondern eine zusätzliche Ebene. Tulip Ihnen dabei, diese Ebene souverän aufzubauen.