Über den Chatbot hinaus: Wie agentenbasierte KI in der diskreten Fertigung funktioniert

Der Alarm wird ausgelöst. Der Vorgesetzte liest ihn. Er versteht, was er bedeutet. Er öffnet ein anderes System. Er erstellt einen Arbeitsauftrag. Er benachrichtigt den Bediener. Er versucht, daran zu denken, dies zu dokumentieren. Manchmal tut er es.

Bei diesem Ablauf – von den Daten über den Menschen bis hin zur Entscheidung und zum Handeln – enden die meisten Investitionen in KI im Fertigungsbereich.

Die erste Welle der KI-Investitionen der meisten Hersteller von diskreten Komponenten konzentrierte sich darauf, bessere Dashboards, klarere Warnmeldungen bei Abweichungen und eine bessere Datenverfügbarkeit an mehr Orten zu schaffen. Doch dieselben Vorgesetzten sehen sich nach wie vor jeden Morgen mit denselben manuellen Überprüfungsaufgaben konfrontiert, nur dass die zu bearbeitende Liste mittlerweile länger geworden ist.

Das Problem ist architektonischer Natur. Wenn die KI zwar eine Erkenntnis liefert, ein Mensch diese Erkenntnis aber weiterhin in jede nachfolgende Maßnahme umsetzen muss (Eröffnung eines Arbeitsauftrag, Überprüfung des Materialzertifikats, Benachrichtigung des Bedieners, Protokollierung der Reaktion), hat die KI zwar die Informationsebene verbessert, die Ausführungsebene jedoch unverändert gelassen.

In Branchen wie der Luft- und Raumfahrt, der Medizintechnik und der Automobilindustrie, in denen eine einzige nicht erfasste Abweichung eine umfassende CAPA-Untersuchung oder eine Rückrufprüfung nach sich ziehen kann, kann diese Lücke schnell zu einem Compliance-Risiko werden.

Agentische KI hat das Potenzial, diese Lücke zu schließen. Entscheidend ist dabei, an welcher Stelle im Stack der Agent angesiedelt ist.

Für viele fungiert generative KI als digitaler Berater. Sie ist in der Lage, Fragen zu beantworten, Zusammenfassungen zu erstellen, Empfehlungen zu geben und Dokumente zu entwerfen, wenn man sie darum bittet. Das Ergebnis landet in den Händen eines Menschen. Der Mensch entscheidet, was zu tun ist. Die Handlungskette beginnt und endet bei einer Person.

Agentische KI ist in der Lage, weitaus mehr zu leisten. Bei einem definierten Ziel und festgelegten operativen Rahmenbedingungen erfasst ein agentisches System die Bedingungen, bewertet Optionen, führt Maßnahmen über vernetzte Systeme hinweg aus und protokolliert das Ergebnis. Dabei ist bei keinem Schritt eine menschliche Entscheidung erforderlich.

In der Fertigung ist diese Unterscheidung ganz klar. Ein MES „KI-Fähigkeiten“ könnte eine Drehmomentabweichung an Station 4 feststellen und darauf wie folgt reagieren: „Die letzten drei Einheiten wiesen 22,3 Nm auf, während der Sollwert bei 24–26 Nm liegt. Empfohlene Maßnahme: Überprüfen Sie die letzten Baugruppen.“ Der Bediener liest dann die Warnmeldung, entscheidet, ob er den Arbeitsauftrag zurückstellt, protokolliert die Abweichung und schickt vielleicht eine E-Mail an einen Qualitätstechniker.

Ein agentisches System, das dieselbe Abweichung feststellt, ist in der Lage, die zuletzt konforme Einheit anhand ihrer Seriennummer zu identifizieren, hält die nachgelagerten Arbeitsaufträge zurück, die von dieser Charge abhängen, leitet eine Nachbearbeitungsanweisung an die Schnittstelle des Qualitätstechnikers weiter – zusammen mit einem vorab zusammengestellten Nachweispaket (Messwerte, Materialzertifikat, Bediener-ID, revisionskontrollierte Arbeitsanweisung) – und protokolliert seine eigene Aktion im rückverfolgbaren Ausführungsprotokoll.

Der Unterschied liegt darin, was zwischen dem Moment, in dem „das System etwas erkannt hat“, und dem Moment, in dem „das Problem behoben wurde“, geschieht.

Deloitte prognostiziert eine Vervierfachung der Einführung agentischer KI in der Fertigungsindustrie – von derzeit 6 % auf 24 % bis zum Jahr 2027. Diese Einführungslücke ist weniger auf mangelndes Interesse zurückzuführen als vielmehr auf Unklarheit darüber, was für einen produktionsreifen Einsatz agentischer KI erforderlich ist.

Frühe Anwender von KI konzentrieren sich darauf, Lösungen einzusetzen, die den Herstellern Aufschluss darüber geben, was gerade geschieht. Nur wenige loten die Möglichkeiten aus, die Lösungen bieten, die tatsächlich Maßnahmen ergreifen können.

Agenten ERP(SAP Joule, die integrierte KI Oracle, die Industry AI Agents von Infor) sind in der Lage, reale Planungsprobleme zu lösen. Sie können Produktionspläne als Reaktion auf Lieferengpässe anpassen, die Kapazitätszuweisung optimieren und Entscheidungen im Auftragsmanagement mit mehr Kontext untermauern, als ein statisches dashboard jemals bieten dashboard . Ihre Einsatzebene ist das Unternehmensplanungssystem.

Diese Ebene befindet sich oberhalb des eigentlichen Arbeitsgeschehens. Diese Lösungen sind nicht darauf ausgelegt, den Kontext der Ausführung an vorderster Front in Echtzeit zu erfassen.

Wenn ein Agent mit ERP arbeitet, kann er Entscheidungen über Pläne treffen. Wenn ein Agent mit Daten aus der operativen Ausführung arbeitet, trifft er Entscheidungen über die Arbeit. In der diskreten Fertigung spiegelt der Konformitätsbericht (der Bericht über den Ist-Zustand bzw. den Prüfbericht) die tatsächlich ausgeführte Arbeit wider.

Die Daten, die der Agent benötigt

Damit ein agentenbasiertes System in einer komplexen Fertigungsumgebung eine sichere, autonome Entscheidung treffen kann, benötigt es mehr Informationen, als allein auf einem Arbeitsauftrag. Es benötigt die Informationen zur entnommenen Materialcharge, die während der Ausführung an der Station erfassten Daten, die Identität und Qualifikation des Bedieners, die für den jeweiligen Schritt maßgebliche Arbeitsanweisung sowie die nachgelagerten Baugruppen, deren Fertigstellung vom Bestehen dieses Schritts abhängt.

Dieser operative Kontext spielt sich auf der Ausführungsebene ab: der gesteuerte Workflow, die Datenerfassung am Arbeitsplatz, die schrittweisen Aufzeichnungen, die eine Frontline-Plattform im Laufe der Arbeit zusammenstellt. Ohne diese Informationen muss ein Mitarbeiter über Sachverhalte urteilen, die er nicht vollständig überblickt. Seine Entscheidungen mögen schnell getroffen werden. Sie mögen in der Regel richtig sein. Aber sie lassen sich bei einem behördlichen Audit nicht rechtfertigen, da die Nachweiskette, die die Entscheidung stützt, nicht vorhanden ist.

Die Kluft zwischen dem Bereich, in dem Agenten ERP agieren, und dem Bereich, in dem vertretbare autonome Entscheidungen getroffen werden müssen, ist das architektonische Problem, das die meisten agentenbasierten KI-Implementierungen bislang noch nicht gelöst haben. Diese Lücke schließt der Kontextgraph: das Echtzeit-Netzwerk aus Betriebsdaten, das jede Aktion mit dem Material, dem Arbeitsablauf, dem Bediener und den geltenden Vorgaben verknüpft.

Ein Kontextgraph ist ein in Echtzeit aktualisiertes Netzwerk aus Betriebsdaten, das eine bestimmte Arbeitseinheit mit den für die Ausführung und die Einhaltung von Vorschriften relevanten Faktoren verknüpft: dem Materiallos, den Prozessparametern, der Identität und Qualifikation des Bedieners, der aktuellen Version der Arbeitsanweisung, Zeitstempeln und nachgelagerten Abhängigkeiten.

In Tulip wird die Datenbasis im Laufe der Arbeit kontinuierlich aufgebaut: Jeder Schritt wird von einem geführten Workflow erfasst, jeder Parameter von einem Sensor aufgezeichnet, jede Materialcharge von einem Mitarbeiter gescannt und jeder Entscheidungspunkt mit Zeitstempel und Kontext protokolliert. Wenn ein Mitarbeiter handeln muss, spiegelt der Kontext, auf dessen Grundlage er seine Entscheidung trifft, den aktuellen Zustand dieser bestimmten Einheit auf dieser bestimmten Linie genau in diesem Moment wider.

Eine gut ausgestattete Frontline-Plattform erfasst sechs Dimensionen, anhand derer sich feststellen lässt, ob die eigenständige Entscheidung eines Mitarbeiters einer genauen Prüfung standhält:

• Materialzertifikate und Rückverfolgbarkeit der Chargen anhand der jeweiligen Serien- oder Chargennummer

• Prozessparameter, die an der Station in Echtzeit gemessen werden (die tatsächlich erfassten Daten)

• Identität und Qualifikationsstatus des Bedieners für jeden durchgeführten Schritt

• Die zum Zeitpunkt der Ausführung gültige und maßgebliche Überarbeitung der Arbeitsanweisung

• Zeitstempel auf Schritt-Ebene für jede Aktion in der Abfolge

• Nachgelagerte Abhängigkeiten, insbesondere welche Assemblies oder Operationen davon abhängen, dass diese Einheit erfolgreich durchläuft

Wenn ein Akteur über diese Detailgenauigkeit verfügt, sind seine Entscheidungen fundiert.

Der Entscheidungsablauf ergibt sich aus den Daten. Ein Prüfer, der einen markierten Arbeitsauftrag überprüft, muss Arbeitsauftrag rekonstruieren, was geschehen ist; der Kontextgraph zeigt die Bedingungen, die die Entscheidung ausgelöst haben, die Daten, auf deren Grundlage der Agent gehandelt hat, und welche Maßnahmen er ergriffen hat.

Das ist es, was KI auf der Ausführungsebene von KI auf der Planungsebene unterscheidet.

In der Luft- und Raumfahrt, bei Medizinprodukten und in jeder anderen FDA ISO- oder FDA Fertigungsumgebung ist die Dokumentation zur Einhaltung der Vorschriften nie „abgeschlossen“. Jede Nichtkonformität ist ein potenzieller Anlass für eine Aktenanforderung. Jeder Arbeitsauftrag ist ein potenzielles Bestandsdokument. Die Audit-Bereitschaft ist ein Zustand, den man kontinuierlich aufrechterhalten muss, und die Frage, die man sich stellen muss, ist immer dieselbe: Können Sie genau nachweisen, was geschehen ist?

Wenn KI-Agenten außerhalb der Ausführungsebene arbeiten (in ERP, BI-Plattformen oder eigenständigen KI-Tools), ist diese Frage schwerer zu beantworten.

Die Maßnahmen des Sachbearbeiters werden nicht automatisch in der Bestandsaufnahme erfasst. Sie müssen manuell eingetragen werden, sonst fehlen sie dort. In der Praxis bedeutet das, dass die Bestandsaufnahme Lücken aufweist, wo immer der Sachbearbeiter etwas bearbeitet hat, ohne dass ein strukturierter Erfassungsmechanismus dahintersteckt.

Wenn Agenten innerhalb der Ausführungsebene arbeiten, erstellt sich der Protokollsatz von selbst. Jede Aktion des Agenten (Durchführung einer Qualitätsprüfung, Unterbrechung eines nachgelagerten Arbeitsauftrag, Weiterleitung einer Nachbearbeitungsanweisung, Kennzeichnung einer Abweichung) wird im selben nachvollziehbaren Ausführungsprotokoll erfasst wie die Schritte des Bedieners selbst. Nicht in einem separaten KI-Protokoll, das die Compliance-Abteilung später abgleichen muss. Sondern direkt im Protokoll. Verknüpft mit der auslösenden Bedingung, den Daten, auf die der Agent reagiert hat, und dem erzielten Ergebnis.

So sieht „Evidenz durch Standard“ aus. Die Dokumentation der Compliance wird zu einem Nebenprodukt des normalen Produktionsbetriebs.

individuell gestaltbar Tulip basieren auf diesem Modell. Jede Aktion eines Agenten (das auslösende Ereignis, die Entscheidung, die Ausführung, das Ergebnis) wird auf derselben Plattform protokolliert, auf der auch die zugrunde liegenden Ausführungsdaten erfasst wurden.

Die regulatorischen Anforderungen im Zusammenhang mit dem Einsatz von KI waren noch nie so hoch wie heute. Das inzwischen in Kraft getretene EU-KI-Gesetz sieht bei Verstößen im Zusammenhang mit risikoreichen KI-Anwendungen Strafen von bis zu 35 Millionen Euro oder 7 % des weltweiten Jahresumsatzes vor. Qualitätskontrollsysteme in der Fertigung fallen wahrscheinlich in diesen Anwendungsbereich. „Die KI war es“ ist keine akzeptable Erklärung bei einer Prüfung. „Hier sind alle Entscheidungen, die der Agent getroffen hat, die Daten, auf deren Grundlage er gehandelt hat, und die Ergebnisse, die er erzielt hat“ hingegen schon.

Was passiert, wenn der Agent einen Fehler macht und das Team nicht wusste, dass er die Entscheidung getroffen hat? Diese Frage verhindert, dass mehr agentenbasierte KI-Piloten in die Produktion gelangen, als es jede Lücke in den Fähigkeiten tun würde.

Das ist eine berechtigte Sorge. Laut Deloitte verfügen derzeit nur 21 % der Unternehmen, die agentische KI einsetzen, über ein ausgereiftes Governance-Modell. Das Risiko bei den meisten frühen Implementierungen liegt weniger im Agenten selbst als vielmehr darin, dass keine klaren Grenzen festgelegt sind, was der Agent tun darf und was nicht.

Das 90/10-Modell

Das meiste, womit ein Mitarbeiter in der diskreten Fertigung konfrontiert wird, ist Routine. Eine Messung innerhalb eines bekannten Parameterbereichs. Eine Terminanpassung innerhalb festgelegter Kapazitätsgrenzen. Eine Schichtzusammenfassung, die aus strukturierten Ausführungsdaten erstellt wird. Diese Situationen folgen vorhersehbaren Mustern, unterliegen einer klar definierten Entscheidungslogik und führen zu Ergebnissen, die das Compliance-Team bereits geprüft hat. Nennen wir dies die 90 %: Situationen, in denen der Mitarbeiter über ausreichenden Kontext, klare Regeln und die Befugnis zum Handeln verfügt.

Die 10 % sind genau der Bereich, in den Eskalationen gehören. Neuartige Fehlerfälle, denen der Agent in seinem konfigurierten Anwendungsbereich noch nicht begegnet ist. Entscheidungen, die Compliance-Schwellenwerte überschreiten und eine autorisierte Unterschrift erfordern. Maßnahmen mit erheblichen Auswirkungen auf die nachgelagerte Produktion (Verwerfen einer Charge, Anhalten einer Produktionslinie). Jede Entscheidung, die einen behördlichen Nachweis erfordert, der eine menschliche Bestätigung benötigt. Diese gehören nicht in die autonome Ausführung, und ein gut konfigurierter Agent kennt den Unterschied.

In der Praxis bedeutet die Festlegung der 90/10-Grenze drei Dinge:

1. Welche Entscheidungen kann der Beauftragte treffen, ohne jemanden darüber zu informieren?

2. welche Bedingungen eine manuelle Überprüfung auslösen, bevor der Agent tätig wird; und

3. welche Entscheidungen vor der Umsetzung die Genehmigung eines Vorgesetzten oder eines Qualitätstechnikers erfordern.

Diese Konfigurationen sind in der Plattform hinterlegt, nicht im Modell. Sie werden vom für den Prozess zuständigen Team festgelegt, können von der Compliance-Abteilung überprüft werden und lassen sich im Laufe der Zeit anpassen.

individuell gestaltbar Tulip lassen sich für alle drei Bereiche konfigurieren. Die Teams legen den Umfang, die Eskalationsauslöser und die Schnittstelle fest, über die menschliche Entscheidungen angezeigt werden. Wenn eine Entscheidung menschliche Eingaben erfordert, erfolgt dies über die Tulip des Bedieners und nicht über ein separates KI-Portal, das der Bediener parallel dazu überprüfen muss. Der Workflow ist der Steuerungsmechanismus.

Wie gute Regierungsführung aussieht

Der McKinsey-Bericht „State of AI“ vom November 2025 kam zu dem Ergebnis, dass Unternehmen mit den erfolgreichsten Implementierungen agentischer KI ein gemeinsames Merkmal aufweisen: Kontrollmechanismen, bei denen Menschen den Prozess überwachen, validieren und eingreifen.

Das sieht so aus:

• Ein lückenloser Prüfpfad: Jede Entscheidung eines Agenten wird zusammen mit der auslösenden Bedingung, den zugrunde liegenden Daten, der durchgeführten Aktion und dem Ergebnis protokolliert

• Manuelle Übersteuerung auf Bedienerebene: Jede Aktion eines Agenten kann von einem berechtigten Benutzer überprüft und rückgängig gemacht werden

• Gültigkeitsbereichskontrollen: Agenten, die für bestimmte Aktionssätze konfiguriert sind; jede Erweiterung erfordert eine explizite Konfigurationsänderung

• Eskalation über die Bedienoberfläche: Entscheidungen, die menschliches Urteilsvermögen erfordern, werden im Arbeitsablauf angezeigt, den der Bediener bereits nutzt

• Regelmäßige Leistungsbeurteilung: Das Verhalten der Mitarbeiter wird in festgelegten Abständen anhand von Qualitäts- und Compliance-Kennzahlen bewertet

Die Teams, die Agenten souverän einsetzen, sind diejenigen, die zuerst das Governance-Modell und erst danach die Automatisierung entwickelt haben.

Wenn Sie eine 15 Jahre alte SAP-Installation betreiben, ersetzen Sie diese nicht, um KI-Agenten einzusetzen.

Hersteller mit stark angepassten ERP oder älteren MES haben zu viel Betriebslogik in diese Plattformen eingebettet, als dass sie diese innerhalb eines wirtschaftlich sinnvollen Zeitrahmens entfernen könnten.

Agentische KI auf der Ausführungsebene erfordert keinen kompletten Austausch.

Agenten verbinden sich über APIs mit bestehenden Systemen. Ein hochwertiger Agent, der in Tulip arbeitet, Tulip bei SAP die mit dem aktuellen Arbeitsauftrag verknüpfte Materialzertifizierung abfragen, die Kontrollgrenzen aus der Arbeitsanweisung abrufen, die Messwerte der entsprechenden Geräte auslesen, diese vergleichen und entsprechend handeln. All dies in einem einzigen, koordinierten Workflow. Kein System wird ersetzt. Keine Kerninfrastruktur wird migriert. Das ERP verwaltet ERP die Daten, für deren Speicherung es konzipiert wurde; die Ausführungsplattform erfasst den Kontext an der Produktionsfront, für dessen Erfassung ERP nie ausgelegt ERP ; der Agent verbindet beide am Entscheidungspunkt.

McKinsey bezeichnete dies als die „große ERP zwischen KI-Agenten und ERP “. Die Erkenntnis lautet, dass sich diese Kluft durch Ergänzung und nicht durch Ersatz schließt. Plattformen wie Tulip dabei die Brücke.

Für IT-Architekten, die diese Entscheidung abwägen, lauten die entscheidenden Fragen:

Welche APIs gibt es für die derzeit im Einsatz befindlichen ERP MES ?

Wie strukturiert sind die Daten, die diese Systeme bereitstellen?

Wie sieht eine geregelte Integration aus?

Das Hinzufügen einer Ebene, die auf Produktionssysteme zugreift und Daten dort speichert, erfordert eine Sicherheitsüberprüfung und change management, auch wenn dies keine Neugestaltung des Kernstacks erfordert.

Tulip über Standard-APIs in SAP, Oracle, Historien-Systeme, SPSen und eine Reihe von MES Tulip . Die Integrationsarbeit ist real. Der Austausch der Infrastruktur hingegen nicht.

Der Unterschied zwischen der Beschreibung von Agenten und ihrer tatsächlichen Leistung in der Produktion wird in operativer Hinsicht deutlicher: Welcher Zustand hat den Agenten ausgelöst, was hat er getan und was wurde schließlich protokolliert? Im Folgenden finden Sie einige praktische Beispiele dafür, wie dies in der Praxis aussieht:

Maßnahmen bei Qualitätsabweichungen

Ein Bediener misst bei Arbeitsauftrag , Materialcharge TL-2209-A, drei aufeinanderfolgende Drehmomentwerte unterhalb der unteren Kontrollgrenze. Auf einer Linie ohne Mitarbeiter löst diese Messung eine Warnmeldung auf dem dashboard aus. Der Qualitätstechniker überprüft dies während des nächsten Überwachungszyklus, öffnet das MES, entscheidet über eine eventuelle Zurückhaltung der Charge, benachrichtigt den Bediener und versucht, die Reaktion in seinem QMSzu protokollieren. Die Zeit zwischen Erkennung und Eindämmung wird in Stunden gemessen. Der Prüfpfad, sofern vorhanden, wird aus E-Mails und Notizen zusammengestellt.

Bei der Weiterleitung an die Ausführungsebene identifiziert der Agent die letzte konforme Einheit anhand der Seriennummer. Er hält die nachfolgenden Arbeitsaufträge bereit, die von dieser Charge abhängen. Er leitet eine Nachbearbeitungsanweisung an die Schnittstelle des Qualitätstechnikers weiter, die bereits mit Seriennummern, Messwerten, dem Materialzertifikat und der Bediener-ID vorbelegt ist. Die Aktion des Agenten wird zusammen mit dem ursprünglichen Messwert im rückverfolgbaren Ausführungsprotokoll protokolliert. Wenn der Qualitätstechniker die Warteschlange erreicht, ist das Nachweispaket bereits dort vorhanden.

Die Reaktionszeit verkürzt sich von Stunden auf Minuten. Die Bestandsunterlagen müssen nicht neu erstellt werden.

NPI

Neues Produkt, 47-stufiger Montage , BOM gegenüber der vorherigen Revision. Die drei bisher separaten Arbeitsanweisungen müssen vor der Erstmusterprüfung abgeglichen werden. Ohne entsprechende Tools erledigen Prozessingenieure dies manuell: Sie vergleichen Revisionshistorien, erstellen Schulungsunterlagen und decken Lücken erst während der Erstmusterprüfung auf, anstatt dies im Vorfeld zu tun.

Mit Hilfe eines Agenten wird die Abweichung zwischen der neuen BOM der aktuellen Version der Arbeitsanweisung vor Produktionsbeginn ermittelt. Geänderte Schritte werden zur Überprüfung und Genehmigung durch den Ingenieur angezeigt. Der aktualisierte geführte Arbeitsablauf spiegelt die neue Version von Einheit 1 wider. Die Schulung der Bediener konzentriert sich auf die spezifischen geänderten Schritte und nicht auf das gesamte 47-stufige Verfahren. Die rückverfolgbare Aufzeichnung darüber, welche Version der Arbeitsanweisung für welche Einheit maßgeblich war, wird beim Erstmuster erstellt und nicht rückwirkend.

Schichtübergabe

Drei offene Abweichungen. Zwei Maschinen mit Wartungshinweisen. Ein Arbeitsauftrag . Der schriftliche Bericht des abgehenden Vorgesetzten erfasst möglicherweise nicht alles – je nachdem, wie die Schicht verlaufen ist. Die ersten fünfzehn Minuten des ankommenden Vorgesetzten vergehen meist damit, sich auf den neuesten Stand zu bringen, anstatt zu führen.

Ein Mitarbeiter erstellt die Übergabe automatisch anhand der Ausführungsdaten: offene Abweichungen mit Status und Zeitstempel, Maschinenmeldungen mit dem letzten bekannten Zustand, Produktionsstatus im Vergleich zum Plan. Der abgehende Vorgesetzte prüft und genehmigt die Übergabe. Der ankommende Vorgesetzte erhält eine strukturierte Zusammenfassung, bevor er die Fertigung betritt. Offene Punkte gehen bei der Übergabe nicht unter.

Erstellung von Validierungsunterlagen

Neue Anwendung, die für eine regulierte Produktionslinie in einer Medizinprodukte-Produktionsstätte entwickelt wurde. Vor der Inbetriebnahme ist GxP erforderlich. Da kein Agent vorhanden ist, überprüft das Validierungsteam die Anwendungsstruktur manuell, dokumentiert den Verwendungszweck, ordnet Risikokontrollen zu und erstellt Testfälle. Je nach Komplexität der Anwendung dauert dies Tage bis Wochen.

Der Validation Guide Generator Tulip analysiert die Anwendungsstruktur, gleicht sie mit GxP ab und erstellt automatisch einen Leitfadenentwurf. Das Validierungsteam prüft, passt an und genehmigt diesen. Der Schwerpunkt der Arbeit verlagert sich von der Erstellung der Dokumentation hin zu deren Überprüfung.

Die meisten Anbieter von agentenbasierter KI werden Ihnen versichern, dass ihr System speziell für die Fertigung entwickelt wurde. Anhand einiger Fragen lassen sich Plattformen, die für die Ausführungsebene konzipiert sind, von solchen unterscheiden, die für die Planung, Dokumentation oder allgemeine Prozessautomatisierung entwickelt wurden.

Wo im Systemstapel ist der Agent tätig? Ein Agent, der im ERP angesiedelt ist, ERP die Informationsbasis. Ein Agent, der auf der Ausführungsebene angesiedelt ist – dort, wo die Arbeit stattfindet, wo Prozessparameter erfasst und Bedienerschritte protokolliert werden –, kann den Ausführungszyklus schließen. Bitten Sie die Anbieter, ein konkretes Szenario für eine Qualitätsabweichung durchzuspielen: Woher bezieht der Agent seine Daten, welche Systeme werden dabei angesprochen und was landet letztendlich im Protokoll?

Welchen betrieblichen Kontext kann der Agent einsehen? Qualitativ fundierte Entscheidungen in der diskreten Fertigung erfordern Materialchargendaten, Echtzeit-Prozessparameter, die Änderungshistorie von Arbeitsanweisungen sowie Ausführungsaufzeichnungen auf Bedienerebene. Wenn der Agent auf der Grundlage von ERP arbeitet, die nur einmal pro Nacht synchronisiert werden, stützt er sich auf ein Bild der Situation von gestern, das sich möglicherweise in der letzten Stunde bereits geändert hat. Fragen Sie nach, wie hoch die Datenverzögerung des Agenten ist und ob er auf Ausführungsaufzeichnungen aus der Produktion zugreifen kann.

Wie sieht das Governance-Modell in der Praxis aus? Jeder Anbieter kann einen „Human-in-the-Loop“-Ansatz beschreiben. Bitten Sie ihn, dies zu demonstrieren. Kann Ihr Compliance-Team genau festlegen, wann Agenten autonom handeln und wann sie eine Eskalation vornehmen? Wird jede Entscheidung eines Agenten zusammen mit der auslösenden Bedingung und dem Ergebnis in einem Format protokolliert, das den Anforderungen einer behördlichen Überprüfung entspricht? Kann ein Mitarbeiter vor Ort die Aktion eines Agenten außer Kraft setzen? Wenn das Governance-Modell ein separates Portal zur Überprüfung erfordert, wird es in der Praxis ignoriert werden.

Sind dafür neue Infrastrukturen erforderlich, oder lässt sich das System an die bestehende Infrastruktur anbinden? Integrationsarbeiten sind unvermeidlich; ein kompletter Austausch der Plattform ist jedoch eine ganz andere Sache. Bitten Sie die Anbieter, konkret darzulegen, welche APIs sie für die Anbindung an ERP MES verwenden, welche Anforderungen der Integrationsansatz mit sich bringt und wie das Wartungsmodell bei Aktualisierungen des zugrunde liegenden Unternehmenssystems aussieht.

Das sind keine Fangfragen. Es sind die Fragen, die Ihr Compliance-Team vor jeder Produktivbereitstellung stellen wird, und Anbieter, die diese nicht klar beantworten können, senden Ihnen damit ein deutliches Signal.

Es wird prognostiziert, dass sich der Einsatz agentischer KI in der Fertigungsindustrie in den nächsten zwei Jahren vervierfachen wird. Der Großteil dieses Wachstums wird in Form von Pilotprojekten erfolgen.

Was Pilotprojekte von serienreifen Implementierungen unterscheidet, ist die Architektur: Wo der Agent angesiedelt ist, welchen Kontext er einsehen kann, welches Governance-Modell seine Handlungen regelt und ob die von ihm erstellten Aufzeichnungen einer behördlichen Überprüfung standhalten können.

Die Ausführungsschicht ist der Ort, an dem die Antworten auf diese Fragen zu finden sind. Der von ihr gepflegte Kontextgraph, die standardmäßig erfassten Belege, das von ihr konfigurierte und durchgesetzte Governance-Modell mit menschlicher Einbindung. Dies sind die Voraussetzungen, unter denen autonomes Handeln vertretbar wird. Ohne sie sind Agenten lediglich ausgefeilte Warnsysteme mit zusätzlichen Schritten.

individuell gestaltbar Tulip sind speziell für diese Umgebung konzipiert: individuell gestaltbar, transparent, von Grund auf auf die Einbindung des Menschen ausgelegt und im operativen Bereich der ersten Ebene im Einsatz, wo die Arbeit und die Fakten zu finden sind.

Wenn Sie erfahren möchten, wie individuell gestaltbar Tulip diskreten Fertigungsunternehmen dabei helfen, ihre Produktionsprozesse zu automatisieren, wenden Sie sich noch heute an einen unserer Mitarbeiter!