AI Operations · 12 Min.
AI-Agenten in der Industrie: Wartung, Qualitaet und Schichtwissen als System
Industrie-AI wird stark, wenn Schichtwissen, Qualitaetsdaten und Wartungsereignisse nicht mehr in Silos verschwinden.
SYSTEMS Grafik zu AI Agenten Industrie: Trace -> Metric -> Decision. Fokus: Wie Industrieunternehmen AI-Agenten fuer Wartung, Qualitaet und Schichtwissen einsetzen.
Kurzfassung
Industrie-Agenten sollten Schichtberichte, Wartung und Qualitaetsdaten 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 Uebergaben. Wenn eine Stoerung wieder auftritt, suchen Teams oft dieselben Informationen erneut.
Ein Agent kann Schichtwissen strukturieren und mit Wartungs- oder Qualitaetsdaten verbinden.
Stand Mai 2026: Industrial AI wird assistiv und kontextnah Siemens Industrial Copilot unterstuetzt Aufgaben ueber Engineering, Operations und Service hinweg und wurde mit Senseye Predictive Maintenance um Wartungsfunktionen erweitert. Siemens beschreibt Wartung dabei vom reaktiven Repair ueber Prevention bis zu Prediction und Optimization. Microsoft rahmt AI fuer Manufacturing ueber Digital Thread, Interoperabilitaet und Responsible AI.
Das ist wichtig fuer den Artikel: Industrie-Agenten sind nicht "das Modell steuert die Anlage". Der bessere Einstieg ist ein Copilot, der Schichtwissen, Wartungshistorie, Qualitaetsdaten und Arbeitsanweisungen zusammenbringt und Entscheidungen vorbereitet.
SAP beschreibt Joule in SAP Digital Manufacturing aktuell als Informationsschicht fuer Produkthilfe, Zusammenfassungen und Top-Treffer. Oracle warnt beim Quality Inspection Standards Advisor selbst, dass Tabellen und Grafiken unvollstaendig interpretiert werden koennen und kritische Empfehlungen gegen Originalquellen geprueft werden muessen. Genau so sollte Industrie-AI eingefuehrt werden: erst lesen, strukturieren, belegen und eskalieren; erst spaeter kontrolliert schreiben.
Wartungskontext statt blinde Vorhersage Predictive Maintenance klingt gut, aber oft fehlen Datenreife und Prozessintegration. Ein praktischer Start ist Kontext: Welche Stoerung trat auf? Was wurde zuletzt getan? Welche Teile waren betroffen?
Der Agent bereitet Entscheidungen vor, statt sofort Maschinensteuerung zu uebernehmen.
Ein Wartungs-Agent sollte pro Ereignis ein klares Bild bauen:
Das ist keine blinde Vorhersage. Es ist Entscheidungsunterstuetzung mit Kontext.
Asset: Maschine, Linie, Komponente, Seriennummer, Standort. Symptom: Alarm, Vibration, Temperatur, Ausschuss, Bedienerhinweis. Historie: letzte Stoerung, letzter Eingriff, Ersatzteil, Firmware, Parameter. Kontext: Schicht, Produkt, Materialcharge, Werkzeug, Umgebung. Option: weiter beobachten, geplanter Eingriff, Ersatzteil bestellen, Eskalation. Risiko: Sicherheit, Qualitaet, Stillstand, Kosten, Lieferfaehigkeit. Entscheidung: wer muss freigeben und bis wann? Qualitaet und Ursachen Qualitaetsabweichungen entstehen selten isoliert. Material, Schicht, Maschine, Temperatur, Werkzeug und Prozessschritt koennen zusammenhaengen.
Ein Agent kann Musterfragen stellen und Hypothesen fuer die Ursachenanalyse vorbereiten.
Qualitaets-Agenten brauchen Ursachenlogik Ein Qualitaets-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 Qualitaetsentscheidung 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 fuer Dynamics 365 einen Quality-Use-Case, in dem Copilot abnormale Aktivitaeten, Engpaesse und Lifecycle-Kontext zusammenfasst. Der Wert liegt also nicht im magischen Urteil, sondern im schnellen, pruefbaren Kontext fuer Quality, Produktion und Service.
Welche Charge, Linie, Schicht und Maschine sind betroffen? Gab es eine Parameter-, Werkzeug- oder Materialaenderung? Welche Messwerte liegen ausserhalb der Toleranz? Welche Pruefanweisung gilt? Wurde eine aehnliche Abweichung schon geloest? Welche Sperrung oder Freigabe ist noetig? OT-Sicherheit und Human Review Industrie-Agenten beruehren oft OT-nahe Daten. Deshalb braucht die Architektur klare Grenzen:
ENISA- und NIST-Logik passt hier gut: Sicherheit und Trust muessen in die Architektur, nicht nachtraeglich in die Praesentation.
Bei OT, Safety Instrumented Systems und kritischer Infrastruktur wird diese Grenze hart. NIST arbeitet an einem AI-RMF-Profil fuer Critical Infrastructure, ENISA betont sichere AI-Supply-Chains und Cybersecurity-by-design. IEC 61511 bleibt fuer 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 uebergeben.
Lesen ist nicht Schreiben: Der Agent darf Daten analysieren, aber keine Steuerungsparameter ohne Freigabe aendern. Empfehlungen sind nicht Freigaben: Wartungs-, Sicherheits- und Qualitaetsentscheidungen bleiben beim verantwortlichen Team. Datenwege muessen getrennt sein: OT, IT, MES, ERP und Wissenssystem duerfen nicht wild verbunden werden. Jede kritische Aktion braucht Audit: Quelle, Kontext, Empfehlung, Freigabe, Ausfuehrung. Architektur fuer 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, Wartungsplaene, Lessons Learned. 4. Ereignislogik: Stoerung, Abweichung, Alarm, Wartungsbedarf, Qualitaetsfall. 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 gehoeren hinter Rollenrechte, Vier-Augen-Prinzip und nachvollziehbare Tool-Gates.
Evals fuer Industrie-Agenten Vor Produktivbetrieb sollte getestet werden:
Industrie-AI gewinnt nicht durch Autopilot, sondern durch bessere Entscheidungen an der Linie.
erkennt der Agent wiederkehrende Stoerungen? 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 fuer Schichtwechsel? reduziert er Suchzeit, ohne Fehlalarme zu erhoehen? Der SYSTEMS-Blick Wir bauen Industrie-Agenten als Operations-Wissensschicht. Sie verbinden Schicht, Wartung, Qualitaet und Entscheidung.
So wird Erfahrung skalierbarer, ohne kritische Steuerung unkontrolliert zu automatisieren.
