AI Operations · 12 Min.
AI-Agenten in der Industrie: Wartung, Qualität und Schichtwissen als System
Industrie-AI wird stark, wenn Schichtwissen, Qualitätsdaten und Wartungsereignisse nicht mehr in Silos verschwinden.
SYSTEMS Grafik zu AI Agenten Industrie: Trace -> Metric -> Decision. Fokus: Wie Industrieunternehmen AI-Agenten für Wartung, Qualität und Schichtwissen einsetzen.
Kurzfassung
Industrie-Agenten sollten Schichtberichte, Wartung und Qualitätsdaten verbinden. Gute Startpunkte sind Wissenssuche, Anomalie-Kontext und Entscheidungsvorbereitung. Kritische Maschinenentscheidungen brauchen klare Freigaben.
Strategischer Lesepfad
Baue das Thema im passenden Cluster weiter aus und verknüpfe es mit den nächsten Architekturentscheidungen.
Das Problem mit Schichtwissen Viel operatives Wissen liegt in Notizen, Erfahrung und kurzen Übergaben. Wenn eine Störung wieder auftritt, suchen Teams oft dieselben Informationen erneut.
Ein Agent kann Schichtwissen strukturieren und mit Wartungs- oder Qualitätsdaten verbinden.
Stand Mai 2026: Industrial AI wird assistiv und kontextnah Siemens Industrial Copilot unterstützt Aufgaben über Engineering, Operations und Service hinweg und wurde mit Senseye Predictive Maintenance um Wartungsfunktionen erweitert. Siemens beschreibt Wartung dabei vom reaktiven Repair über Prevention bis zu Prediction und Optimization. Microsoft rahmt AI für Manufacturing über Digital Thread, Interoperabilität und Responsible AI.
Das ist wichtig für den Artikel: Industrie-Agenten sind nicht "das Modell steuert die Anlage". Der bessere Einstieg ist ein Copilot, der Schichtwissen, Wartungshistorie, Qualitätsdaten und Arbeitsanweisungen zusammenbringt und Entscheidungen vorbereitet.
SAP beschreibt Joule in SAP Digital Manufacturing aktuell als Informationsschicht für Produkthilfe, Zusammenfassungen und Top-Treffer. Oracle warnt beim Quality Inspection Standards Advisor selbst, dass Tabellen und Grafiken unvollständig interpretiert werden können und kritische Empfehlungen gegen Originalquellen geprüft werden müssen. Genau so sollte Industrie-AI eingeführt werden: erst lesen, strukturieren, belegen und eskalieren; erst später kontrolliert schreiben.
Wartungskontext statt blinde Vorhersage Predictive Maintenance klingt gut, aber oft fehlen Datenreife und Prozessintegration. Ein praktischer Start ist Kontext: Welche Störung trat auf? Was wurde zuletzt getan? Welche Teile waren betroffen?
Der Agent bereitet Entscheidungen vor, statt sofort Maschinensteuerung zu übernehmen.
Ein Wartungs-Agent sollte pro Ereignis ein klares Bild bauen:
Das ist keine blinde Vorhersage. Es ist Entscheidungsunterstützung mit Kontext.
Asset: Maschine, Linie, Komponente, Seriennummer, Standort. Symptom: Alarm, Vibration, Temperatur, Ausschuss, Bedienerhinweis. Historie: letzte Störung, letzter Eingriff, Ersatzteil, Firmware, Parameter. Kontext: Schicht, Produkt, Materialcharge, Werkzeug, Umgebung. Option: weiter beobachten, geplanter Eingriff, Ersatzteil bestellen, Eskalation. Risiko: Sicherheit, Qualität, Stillstand, Kosten, Lieferfähigkeit. Entscheidung: wer muss freigeben und bis wann? Qualität und Ursachen Qualitätsabweichungen entstehen selten isoliert. Material, Schicht, Maschine, Temperatur, Werkzeug und Prozessschritt können zusammenhängen.
Ein Agent kann Musterfragen stellen und Hypothesen für die Ursachenanalyse vorbereiten.
Qualitäts-Agenten brauchen Ursachenlogik Ein Qualitäts-Agent sollte nicht nur "Ausschuss gestiegen" melden. Er sollte Fragen vorbereiten:
So entsteht eine bessere 8D-, CAPA- oder Root-Cause-Vorbereitung, ohne dass der Agent die Qualitätsentscheidung alleine trifft.
Siemens Opcenter Intelligence zeigt, warum diese Logik wichtig ist: Manufacturing Intelligence lebt von konsistenten Datenmodellen, Trends, Kennzahlen und Root-Cause-Kontext. Microsoft dokumentiert für Dynamics 365 einen Quality-Use-Case, in dem Copilot abnormale Aktivitäten, Engpässe und Lifecycle-Kontext zusammenfasst. Der Wert liegt also nicht im magischen Urteil, sondern im schnellen, prüfbaren Kontext für Quality, Produktion und Service.
Welche Charge, Linie, Schicht und Maschine sind betroffen? Gab es eine Parameter-, Werkzeug- oder Materialänderung? Welche Messwerte liegen ausserhalb der Toleranz? Welche Prüfanweisung gilt? Wurde eine ähnliche Abweichung schon gelöst? Welche Sperrung oder Freigabe ist nötig? OT-Sicherheit und Human Review Industrie-Agenten berühren oft OT-nahe Daten. Deshalb braucht die Architektur klare Grenzen:
ENISA- und NIST-Logik passt hier gut: Sicherheit und Trust müssen in die Architektur, nicht nachträglich in die Präsentation.
Bei OT, Safety Instrumented Systems und kritischer Infrastruktur wird diese Grenze hart. NIST arbeitet an einem AI-RMF-Profil für Critical Infrastructure, ENISA betont sichere AI-Supply-Chains und Cybersecurity-by-design. IEC 61511 bleibt für Safety Instrumented Systems ein relevanter Sicherheitsanker. Ein GenAI-Agent darf diese Kontrolllogik nicht ersetzen; er darf sie sichtbar machen, dokumentieren und sauber an die verantwortlichen Rollen übergeben.
Lesen ist nicht Schreiben: Der Agent darf Daten analysieren, aber keine Steuerungsparameter ohne Freigabe ändern. Empfehlungen sind nicht Freigaben: Wartungs-, Sicherheits- und Qualitätsentscheidungen bleiben beim verantwortlichen Team. Datenwege müssen getrennt sein: OT, IT, MES, ERP und Wissenssystem dürfen nicht wild verbunden werden. Jede kritische Aktion braucht Audit: Quelle, Kontext, Empfehlung, Freigabe, Ausführung. Architektur für Industrie-Agenten Ein produktiver Industrie-Agent hat acht Schichten:
1. Datenquellen: MES, CMMS, SCADA/Historians, QMS, ERP, Schichtbuch, SOPs. 2. Asset-Modell: Linie, Maschine, Komponente, Produkt, Prozessschritt. 3. Wissensschicht: Arbeitsanweisungen, Fehlerbaume, Wartungspläne, Lessons Learned. 4. Ereignislogik: Störung, Abweichung, Alarm, Wartungsbedarf, Qualitätsfall. 5. Assistenz: Zusammenfassung, Ursachenhypothese, Checkliste, Ersatzteilhinweis. 6. Human Review: Maintenance, Quality, Safety, Production, Engineering. 7. Audit und Rechte: Quelle, Version, Zugriff, Freigabe, Aktion. 8. Evals: richtige Eskalation, keine falschen Freigaben, weniger Wiederholfehler.
Damit wird Schichtwissen nicht nur gespeichert, sondern operativ nutzbar.
Die wichtigste Designentscheidung ist der Schreibzugriff. Ein guter Start erlaubt Suche, Zusammenfassung, Vergleich, Handoff und Ticket-Vorbereitung. Schreibende Aktionen wie Parameterwechsel, Sperrung, Freigabe, Ersatzteilbestellung oder Safety-Eskalation gehören hinter Rollenrechte, Vier-Augen-Prinzip und nachvollziehbare Tool-Gates.
Evals für Industrie-Agenten Vor Produktivbetrieb sollte getestet werden:
Industrie-AI gewinnt nicht durch Autopilot, sondern durch bessere Entscheidungen an der Linie.
erkennt der Agent wiederkehrende Störungen? verbindet er Asset, Symptom und Historie korrekt? trennt er Beobachtung, Hypothese und Entscheidung? macht er keine unfreigegebenen Steuerungs- oder Safety-Aussagen? markiert er fehlende Messwerte und unsichere Daten? schreibt er brauchbare Handoffs für Schichtwechsel? reduziert er Suchzeit, ohne Fehlalarme zu erhöhen? Der SYSTEMS-Blick Wir bauen Industrie-Agenten als Operations-Wissensschicht. Sie verbinden Schicht, Wartung, Qualität und Entscheidung.
So wird Erfahrung skalierbarer, ohne kritische Steuerung unkontrolliert zu automatisieren.
