Mehr als nur ein Chatbot: So funktioniert agentenbasierte KI in der diskreten Fertigung
AI Summary
Operations Calling 2025 showcased how modern manufacturing depends on open ecosystems, with dozens of partners demonstrating integrated AI, hardware, and software solutions. The event emphasized that collaboration and interoperability—not single all-in-one systems—are key to scalable, future-ready operations.
Die Warnmeldung wird ausgelöst. Der Vorgesetzte liest sie. Er versteht, was sie bedeutet. Er öffnet ein anderes System. Er erstellt eine „ Arbeitsauftrag “. Er benachrichtigt den Bediener. Er versucht, daran zu denken, den Vorfall zu dokumentieren. Manchmal tut er das auch.
Bei diesem Ablauf – von den Daten über den Menschen bis hin zur Entscheidung und zum Handeln – hören die meisten Investitionen in KI im Fertigungsbereich auf.
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 derselben manuellen Vorabprüfung konfrontiert – nur dass die zu bearbeitende Warteschlange mittlerweile länger ist.
Das Problem ist architektonischer Natur. Wenn die KI zwar eine Erkenntnis liefert, ein Mensch diese Erkenntnis aber dennoch in jede nachfolgende Maßnahme umsetzen muss (Öffnen eines „ Arbeitsauftrag “, Überprüfen des Werkstoffzertifikats, 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 bereits 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.
Vom „Insight Engine“ zum „Digital Worker“
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 mit einer Person.
Agentische KI ist in der Lage, noch viel weiter zu gehen. 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 sehr deutlich. Ein „ MES “ mit „KI-Fähigkeiten“ erkennt möglicherweise eine Drehmomentabweichung an Station 4 und meldet: „Die letzten drei Einheiten wiesen 22,3 Nm gegenüber einem Nennwert von 24–26 Nm auf. Empfohlene Maßnahme: Überprüfen Sie die letzten Montagen.“ Der Bediener liest dann die Warnmeldung, entscheidet, ob er den „ Arbeitsauftrag “ anhalten soll, protokolliert die Abweichung und schickt möglicherweise eine E-Mail an einen Qualitätstechniker.
Ein agentisches System, das dieselbe Abweichung feststellt, ist in der Lage, die letzte 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 dem vorab zusammengestellten Nachweispaket (Messwerte, Materialzertifikat, Bediener-ID, revisionskontrollierte Arbeitsanweisung) – und protokolliert seine eigene Aktion im rückverfolgbaren Ausführungsprotokoll.
Der Unterschied besteht darin, was zwischen dem Zeitpunkt, an dem „das System etwas erkannt hat“, und dem Zeitpunkt, an dem „das Problem behoben wurde“, geschieht.
Deloitte prognostiziert eine Vervierfachung der Einführung agentischer KI im verarbeitenden Gewerbe – von derzeit 6 % auf 24 % bis zum Jahr 2027. Diese Einführungslücke ist weniger auf mangelndes Interesse zurückzuführen als vielmehr auf Unklarheiten darüber, was für einen produktionsreifen Einsatz agentischer KI erforderlich ist.
Frühe Anwender von KI konzentrieren sich auf den Einsatz von Lösungen, die den Herstellern Aufschluss darüber geben, was gerade geschieht. Nur wenige loten die Möglichkeiten aus, die Lösungen bieten, die tatsächlich Maßnahmen ergreifen können.
Warum agentische KI zu kurz greift, wenn sie zu weit von der eigentlichen Arbeit entfernt ist
ERP-Level-Agenten (SAP Joule, die eingebettete KI von „ Oracle “, die Industry-AI-Agenten 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 könnte. Ihre Einsatzebene ist das Unternehmensplanungssystem.
Diese Ebene befindet sich oberhalb des Bereichs, in dem die eigentliche Arbeit stattfindet. Diese Lösungen sind nicht darauf ausgelegt, den Kontext der Ausführung an vorderster Front in Echtzeit zu erfassen.
Wenn ein Agent mit Daten aus dem Bereich „ ERP “ arbeitet, ist er in der Lage, Entscheidungen über Pläne zu treffen. Wenn ein Agent mit Daten aus der operativen Ausführung arbeitet, trifft er Entscheidungen über die Arbeit. In der diskreten Fertigung spiegelt das Konformitätsprotokoll (das Protokoll über den Ist-Zustand bzw. den Prüfzustand) die tatsächlich ausgeführte Arbeit wider.
Die Daten, die der Agent benötigt
Damit ein agentisches System in einer komplexen Fertigungsumgebung eine sichere, autonome Entscheidung treffen kann, benötigt es mehr Informationen, als allein auf einer Arbeitsauftrag. Es benötigt Angaben 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 Informationen zu den nachgelagerten Baugruppen, deren Fertigung vom Bestehen dieser Einheit abhängt.
Dieser operative Kontext spielt sich auf der Ausführungsebene ab: der gesteuerte Workflow, das Point-of-Work- Datenerfassung, die schrittweisen Aufzeichnungen, die eine Frontline-Plattform im Verlauf der Arbeit zusammenstellt. Ohne diesen Kontext muss ein Mitarbeiter über Bedingungen urteilen, die er nicht vollständig überblickt. Seine Entscheidungen mögen schnell sein. Sie mögen in der Regel richtig sein. Aber sie lassen sich bei einem behördlichen Audit nicht verteidigen, da die Beweiskette, die die Entscheidung stützt, nicht existiert.
Die Kluft zwischen dem Einsatzbereich von Agenten der ERP-Ebene 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 der zugrunde liegenden Spezifikation verknüpft.
Der Kontextgraph: Warum Daten aus der Praxis die Entscheidungen der Mitarbeiter begründbar machen
Ein Kontextgraph ist das in Echtzeit aktualisierte 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, den Zeitstempeln und den nachgelagerten Abhängigkeiten.
In der Plattform von „Tulip “ wird diese Information im Laufe der Arbeit kontinuierlich zusammengetragen: Jeder Schritt wird von einem gesteuerten Workflow erfasst, jeder Parameter von einem Sensor aufgezeichnet, jede Materialcharge von einem Bediener gescannt und jeder Entscheidungspunkt mit Zeitstempel und Kontext protokolliert. Wenn ein Agent handeln muss, spiegelt der Kontext, auf dessen Grundlage er seine Schlussfolgerungen zieht, den aktuellen Zustand dieser bestimmten Einheit auf dieser bestimmten Fertigungslinie zum jeweiligen Zeitpunkt wider.
Eine gut ausgestattete Frontline-Plattform erfasst sechs Dimensionen, anhand derer sich feststellen lässt, ob die eigenständige Entscheidung eines Agenten einer genauen Prüfung standhält:
- Materialzertifikate und Rückverfolgbarkeit der Chargen anhand der jeweiligen Serien- oder Chargennummer
- An der Station in Echtzeit gemessene Prozessparameter (die tatsächlich erfassten Daten)
- Identität des Bedieners und Qualifikationsstatus für jeden durchgeführten Schritt
- Die zum Zeitpunkt der Ausführung gültige und maßgebliche Fassung der Arbeitsanweisung
- Zeitstempel auf Schritt-Ebene für jede Aktion in der Abfolge
- Nachgelagerte Abhängigkeiten, insbesondere welche Assemblies oder Operationen davon abhängen, dass diese Einheit die Prüfung besteht
Wenn ein Akteur über derart detaillierte Informationen verfügt, sind seine Entscheidungen fundiert.
Der Entscheidungsablauf ergibt sich aus den Daten. Ein Prüfer, der einen markierten „ Arbeitsauftrag “ überprüft, muss nicht 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 der Unterschied zwischen KI auf der Ausführungsebene und KI auf der Planungsebene.
Beweis durch Unterlassung
In der Luft- und Raumfahrt, bei Medizinprodukten und in allen durch ISO- oder „ FDA “-Vorschriften geregelten Bereichen der diskreten Fertigung sind die Compliance-Unterlagen niemals „abgeschlossen“. Jede Nichtkonformität ist ein potenzieller Anlass für eine Aktenanforderung. Jeder Abschluss eines „ Arbeitsauftrag “ ist ein potenzielles Bestandsdokument. Die Audit-Bereitschaft ist ein Zustand, den Sie kontinuierlich aufrechterhalten müssen, und die Frage, die Sie sich stellen müssen, 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), lässt sich diese Frage schwerer beantworten.
Die Handlungen des Mitarbeiters werden nicht automatisch in der Bestandsdokumentation erfasst. Jemand muss sie manuell eintragen, sonst fehlen sie dort. In der Praxis bedeutet das, dass die Dokumentation Lücken aufweist, wo immer der Mitarbeiter etwas verändert 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 „Beweisführung durch Unterlassung“ aus. Die Dokumentation der Compliance wird zu einem Nebenprodukt des normalen Produktionsbetriebs.
TulipDie KI-Agenten von „individuell gestaltbar “ basieren auf diesem Modell. Jede Aktion eines Agenten (das auslösende Ereignis, die Entscheidung, die Ausführung, das Ergebnis) wird auf derselben Plattform aufgezeichnet, 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 den Geltungsbereich. „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“ – das ist eine akzeptable Erklärung.
Human-in-the-Loop: Die 90 % kontrollieren, damit Sie den Rest vertrauen können
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 jede Lücke in den Fähigkeiten.
Das ist eine berechtigte Sorge. Laut Deloitte verfügen nur 21 % der Unternehmen, die derzeit agentische KI einsetzen, über ein ausgereiftes Governance-Modell. Das Risiko bei den meisten frühen Implementierungen liegt weniger im Agenten selbst als vielmehr im Fehlen klarer Grenzen dafür, wozu der Agent befugt ist und wozu nicht.
Das 90/10-Modell
Das meiste, womit ein Mitarbeiter in einer diskreten Fertigungsumgebung konfrontiert wird, ist Routine. Eine Messung innerhalb eines bekannten Parameterbereichs. Eine Anpassung des Zeitplans 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 der Bereich, in den die Eskalation gehört. Neuartige Fehlerfälle, auf die der Agent in seinem konfigurierten Anwendungsbereich noch nicht gestoßen ist. Entscheidungen, die Compliance-Schwellenwerte überschreiten und eine autorisierte Unterschrift erfordern. Maßnahmen mit erheblichen Auswirkungen auf die nachgelagerte Produktion (Aussortieren einer Charge, Anhalten einer Produktionslinie). Jede Entscheidung, die einen behördlichen Nachweis erzeugt, der eine menschliche Bestätigung erfordert. 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:
- Welche Entscheidungen kann der Beauftragte treffen, ohne jemanden darüber zu informieren;
- welche Bedingungen eine manuelle Überprüfung auslösen, bevor der Agent tätig wird; und
- welche Entscheidungen vor ihrer 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 Zuge der Weiterentwicklung des Betriebs anpassen.
TulipDie KI-Agenten von „ individuell gestaltbar “ lassen sich für alle drei Bereiche konfigurieren. Die Teams legen den Umfang, die Eskalationsauslöser und die Schnittstelle fest, über die menschliche Entscheidungen sichtbar werden. Wenn eine Entscheidung menschliche Eingaben erfordert, erfolgt dies über die „ Tulip “-Schnittstelle 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 „State of AI“-Bericht von McKinsey vom November 2025 kam zu dem Ergebnis, dass Unternehmen mit den leistungsstärksten Implementierungen agentischer KI ein gemeinsames Merkmal aufweisen: „Human-in-the-Loop“-Überwachungskonzepte, bei denen Menschen die Prozesse 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 autorisierten Benutzer überprüft und rückgängig gemacht werden
- Gültigkeitsbereichskontrollen: Agenten, die für bestimmte Aktionssätze konfiguriert sind; jede Erweiterung erfordert eine explizite Konfigurationsänderung
- Eskalation über die Bedieneroberfläche: Entscheidungen, die menschliches Urteilsvermögen erfordern, tauchen in dem Arbeitsablauf auf, den der Bediener gerade 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 konzipiert haben.
So lässt sich Agentic AI in Ihre bestehende Technologieumgebung integrieren
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 “-Systemen 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 qualifizierter Agent, der mit „ Tulip “ arbeitet, kann bei SAP die mit dem aktuellen „ Arbeitsauftrag “ verknüpfte Materialzertifizierung abfragen, die Kontrollgrenzen aus der Arbeitsanweisungsspezifikation abrufen, die Messwerte von den entsprechenden Geräten auslesen, diese vergleichen und entsprechend handeln. All dies in einem einzigen, koordinierten Workflow. Kein System wird ersetzt. Keine Kerninfrastruktur wird migriert. Das „ ERP “ verwaltet weiterhin die Datensätze, für deren Speicherung es konzipiert wurde; die Ausführungsplattform erfasst den Kontext an der Frontline, den das „ ERP “ nie einsehen sollte; der Agent schlägt am Entscheidungspunkt eine Brücke zwischen beiden.
McKinsey bezeichnete dies als die „große Kluft zwischen KI-Agenten und der „ ERP “. Die Erkenntnis lautet, dass sich diese Kluft durch Ergänzung und nicht durch Ersatz schließt. Plattformen wie Tulip bilden dabei die Brücke.
Für IT-Architekten, die diese Entscheidung abwägen, lauten die relevanten Fragen:
Welche APIs gibt es für die derzeit im Einsatz befindlichen Systeme „ ERP “ und „ MES “?
Wie strukturiert sind die Daten, die diese Systeme bereitstellen?
Wie sieht eine gesteuerte Integration aus?
Das Hinzufügen einer Ebene, die auf Produktionssysteme zugreift und dort Daten schreibt, erfordert eine Sicherheitsüberprüfung und change management, auch wenn dies keine Neugestaltung des Kern-Stacks erfordert.
Tulip Lässt sich über Standard-APIs in SAP, „ Oracle “, Historien, SPSen und eine Reihe von „ MES “-Systemen integrieren. Die Integrationsarbeiten sind real. Der Austausch der Infrastruktur hingegen nicht.
Anwendungsfälle für agentenbasierte KI in der diskreten Fertigung
Der Unterschied zwischen der Beschreibung von Agenten und ihrer tatsächlichen Leistung im Betrieb wird aus operativer Sicht deutlicher: Welche Bedingung hat den Agenten ausgelöst, was hat er getan und was wurde schließlich im Protokoll festgehalten? Im Folgenden finden Sie einige praktische Beispiele dafür, wie dies in der Praxis aussieht:
Maßnahmen bei Qualitätsabweichungen
Ein Bediener misst drei aufeinanderfolgende Drehmomentwerte unterhalb der unteren Kontrollgrenze am „ Arbeitsauftrag “ 4421, Materialcharge TL-2209-A. Auf einer Linie ohne Agenten löst diese Messung einen Alarm im Qualitäts dashboard aus. Der Qualitätstechniker überprüft dies während des nächsten Überwachungszyklus, öffnet den „ MES “, entscheidet über eine eventuelle Zurückhaltung der Charge, benachrichtigt den Bediener und versucht, die Reaktion in seinem QMS. Die Zeit zwischen Erkennung und Eindämmung wird in Stunden gemessen. Der Prüfpfad wird, sofern vorhanden, 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 nachgelagerten 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 erfasst. Wenn der Qualitätstechniker die Warteschlange erreicht, liegt das Nachweispaket bereits vor.
Die Reaktionszeit verkürzt sich von Stunden auf Minuten. Die Bestandsunterlagen müssen nicht neu erstellt werden.
NPI Übertragung
Neues Produkt, 47-stufiger „ Montage “-Prozess, BOM – Änderungen gegenüber der vorherigen Version. Die drei bisher separaten Arbeitsanweisungen müssen vor der Erstmusterprüfung abgeglichen werden. Ohne entsprechende Tools erledigen Prozessingenieure dies manuell: Sie vergleichen Versionshistorien, erstellen Schulungsunterlagen und decken Lücken erst während der Erstmusterprüfung auf, anstatt bereits im Vorfeld.
Mithilfe eines Agenten wird die Abweichung zwischen der neuen Version „ BOM “ und der aktiven Revision der Arbeitsanweisung vor Produktionsbeginn ermittelt. Geänderte Schritte werden zur Überprüfung und Genehmigung durch den Ingenieur hervorgehoben. Der aktualisierte geführte Arbeitsablauf spiegelt die neue Revision aus Einheit 1 wider. Bei der Schulung der Bediener wird auf die spezifischen geänderten Schritte hingewiesen, nicht auf das gesamte 47-schrittige Verfahren. Die rückverfolgbare Aufzeichnung darüber, welche Revision 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 hinter dem Zeitplan zurückliegt. Die schriftliche Zusammenfassung des scheidenden Vorgesetzten erfasst möglicherweise nicht alle Details – je nachdem, wie die Schicht verlaufen ist. Die ersten fünfzehn Minuten des neuen Vorgesetzten werden in der Regel damit verbracht, sich auf den neuesten Stand zu bringen, anstatt bereits Führungsaufgaben zu übernehmen.
Ein Mitarbeiter erstellt die Übergabe automatisch aus den Ausführungsdaten: offene Abweichungen mit Status und Zeitstempel, Maschinenkennzeichen mit dem zuletzt 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 Produktionshalle betritt. Offene Punkte gehen bei der Übergabe nicht verloren.
Erstellung von Validierungsunterlagen
Neue Anwendung, die für eine regulierte Produktionslinie in einem Medizinproduktewerk entwickelt wurde. Vor der Bereitstellung ist ein Validierungsleitfaden gemäß „ GxP “ erforderlich. Ohne einen Agenten 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.
TulipDer Validierungsleitfaden-Generator des Unternehmens analysiert die Anwendungsstruktur, gleicht sie mit den Anforderungen der Dokumentation „ GxP “ ab und erstellt automatisch einen Leitfadenentwurf. Das Validierungsteam prüft, passt den Entwurf an und gibt ihn frei. Der Schwerpunkt der Arbeit verlagert sich von der Erstellung der Dokumentation hin zu deren Überprüfung.
Bewertung agentenbasierter KI-Plattformen für die diskrete Fertigung
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 Stack ist der Agent tätig? Ein Agent, der in der „ ERP “ angesiedelt ist, verbessert die Insight-Pipeline. 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 einer Qualitätsabweichung durchzuspielen: Woher bezieht der Agent seine Daten, auf welche Systeme greift er zu und was landet letztendlich im Protokoll?
Welchen betrieblichen Kontext kann der Agent einsehen? Qualitätsentscheidungen in der diskreten Fertigung erfordern Materialchargendaten, Echtzeit-Prozessparameter, den Änderungsverlauf von Arbeitsanweisungen sowie Ausführungsaufzeichnungen auf Bedienerebene. Wenn der Agent auf der Grundlage von Daten aus dem „ ERP “ (Verwaltungssystem) Schlussfolgerungen zieht, die nächtlich synchronisiert werden, stützt er sich auf eine Situation von gestern, die sich möglicherweise in der letzten Stunde bereits geändert hat. Erkundigen Sie sich, 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, diesen zu demonstrieren. Kann Ihr Compliance-Team genau konfigurieren, 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 Operator die Aktion eines Agenten auf der Ebene des Callcenters 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 Plattformwechsel ist jedoch ein ganz anderes Thema. Bitten Sie die Anbieter, konkret zu beschreiben, welche APIs sie für die Anbindung an ERP und MES verwenden, welche Anforderungen der Integrationsansatz stellt 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.
Der Unterschied zwischen einer Pilotphase und einer produktionsreifen Bereitstellung
Die Einführung agentischer KI in der Fertigungsindustrie wird sich den Prognosen zufolge innerhalb der nächsten zwei Jahre vervierfachen. 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 Datensätze einer behördlichen Überprüfung standhalten können.
Die Ausführungsschicht ist der Ort, an dem die Antworten auf diese Fragen zu finden sind. Der von ihr verwaltete Kontextgraph, die standardmäßig erfassten Belege sowie das von ihr konfigurierte und durchgesetzte „Human-in-the-Loop“-Steuerungsmodell. Dies sind die Voraussetzungen, unter denen autonomes Handeln vertretbar wird. Ohne sie sind Agenten lediglich ausgeklügelte Warnsysteme mit zusätzlichen Schritten.
TulipDie KI-Agenten von „ individuell gestaltbar “ sind speziell für diese Umgebung konzipiert: individuell gestaltbar – transparent, von Grund auf auf „Human-in-the-Loop“ ausgelegt und auf der operativen Ebene an vorderster Front im Einsatz, wo die Arbeit und die Fakten liegen.
TulipWenn Sie erfahren möchten, wie die individuell gestaltbar -Agenten von „ “ diskreten Herstellern dabei helfen, ihre Produktionsprozesse zu automatisieren, wenden Sie sich noch heute an ein Mitglied unseres Teams!
Entscheidungen in der Fertigung mit agentenbasierter KI koordinieren
Nutzen Sie „ Tulip “, um Daten und Arbeitsabläufe miteinander zu verknüpfen, damit KI-Agenten Aufgaben kontextbezogen ausführen können, was die Koordination und die Echtzeitleistung verbessert.
Häufig gestellte Fragen
Hersteller im Bereich der diskreten Fertigung nutzen agentenbasierte KI-Lösungen wie Tulip , um mehrstufige Reaktionen auf Produktionsbedingungen autonom auszuführen: Erkennung einer Maßabweichung, Rückverfolgung auf den jeweiligen „ Arbeitsauftrag “ und die Materialcharge, Unterbrechung nachgelagerter Arbeitsschritte und Weiterleitung einer Nachbearbeitungsanweisung an den zuständigen Bediener – und das alles, ohne dass ein Vorgesetzter jeden Schritt manuell verknüpfen muss.
Im Gegensatz zur generativen KI, die Empfehlungen für Menschen liefert, auf deren Grundlage diese handeln können, schließt die agentische KI den Kreislauf zwischen Erkennung und Reaktion innerhalb des Produktionsworkflows selbst.
Generative KI erstellt Inhalte: Zusammenfassungen, Berichte, Empfehlungen, Dokumentationen.
Agentische KI ergreift Maßnahmen. In der Fertigung kann generative KI beispielsweise eine Schichtzusammenfassung erstellen oder eine Korrekturmaßnahme vorschlagen. Agentische KI erkennt die auslösende Bedingung, führt den Korrektur-Workflow aus und protokolliert die Maßnahme autonom innerhalb definierter betrieblicher Grenzen in einem nachvollziehbaren Ausführungsprotokoll. Der praktische Unterschied liegt in der Schließung des Regelkreises: Bei generativer KI muss ein Mensch auf deren Ausgabe reagieren; agentische KI führt die Maßnahme selbst aus.
„Human-in-the-Loop“-Steuerung in der Fertigungs-KI bedeutet, genau zu definieren, wann Agenten autonom handeln und wann sie eine Entscheidung an einen Menschen weiterleiten müssen. Bei routinemäßigen, klar definierten Entscheidungen (Durchführung einer Standard-Qualitätsprüfung, Neuplanung einer Produktionsaufgabe innerhalb festgelegter Parameter, Erstellung eines Schichtübergabescheins) handeln die Agenten selbstständig. Bei Entscheidungen, die Compliance-Grenzwerte überschreiten, neue Fehlermodi betreffen oder eine behördliche Genehmigung erfordern, leitet der Agent die Entscheidung über die Bedienerschnittstelle zur Überprüfung durch einen Menschen weiter, bevor er handelt. Teams legen die Grenzen fest; Agenten halten sich daran. Jede Entscheidung, ob autonom oder eskaliert, wird mit ihrem auslösenden Kontext und ihrem Ergebnis protokolliert.
Ja. Die „ individuell gestaltbar “-Agenten von Tulip erfordern keinen Austausch Ihrer bestehenden Infrastruktur unter ERP oder MES .
Agenten stellen über APIs eine Verbindung zu Altsystemen her, lesen Daten aus dem „ Arbeitsauftrag “, Materialzertifikate und „ BOM “-Strukturen aus SAP oder Oracle sowie Prozessparameter aus MES -Systemen und Historian-Systemen aus und führen dabei Aktionen innerhalb von Frontline-Workflow-Plattformen aus. Tulip fungiert als Orchestrierungsschicht, die Unternehmensdaten mit dem Echtzeit-Ausführungskontext verknüpft und Herstellern so agentenbasierte Funktionen ermöglicht, ohne dass ein umfassendes Programm zum Austausch der Infrastruktur erforderlich ist.
Wenn KI-Agenten innerhalb einer Frontline-Operations-Plattform wie Tulip arbeiten, wird jede von ihnen durchgeführte Aktion (Durchführung einer Qualitätsprüfung, Unterbrechung eines Arbeitsauftrag, Weiterleitung einer Nachbearbeitungsanweisung, Erstellung eines Validierungsdokuments) in demselben nachvollziehbaren Ausführungsprotokoll erfasst wie die Aktionen des Bedieners selbst.
Die Bestands- und Prüfunterlagen werden im Laufe der Arbeiten fortlaufend erstellt und nicht erst rückblickend vor einer Prüfung zusammengestellt. Dieses Modell der „automatischen Nachweispflicht“ bedeutet, dass die Dokumentation der Konformität ein kontinuierliches Nebenprodukt der Produktion ist und keine separate Vorbereitungsaufgabe darstellt.
Die wertvollsten und betrieblich am stärksten begrenzten Anwendungsfälle für agentenbasierte KI in der diskreten Fertigung sind:
- Reaktion auf Qualitätsabweichungen (Erkennung von Abweichungen von den Spezifikationen und automatische Auslösung von Nachbearbeitungsabläufen)
- Anpassung der Produktionsplanung (Umleitung von Arbeitsaufträgen als Reaktion auf Anlagenausfälle oder Kapazitätsänderungen)
- Erstellung von Validierungsdokumentationen (automatische Generierung von Validierungsleitfäden gemäß „ GxP “ oder ISO-Normen auf Basis der Anwendungsstruktur)
- Automatisierung der Schichtübergabe (Erstellung des Produktionsstatus anhand von Ausführungsdaten)
- Produkteinführung Einrichtung des Arbeitsablaufs (Anpassung der Arbeitsanweisungen an die aktualisierten Stücklisten vor der Erstmusterfertigung).
Diese Anwendungsfälle zeichnen sich durch klar definierte Auslösebedingungen, eine abgegrenzte Entscheidungslogik und einen eindeutigen Nutzen für die Compliance aus.
Für sichere autonome Entscheidungen in der diskreten Fertigung müssen die Agenten auf betriebliche Kontextinformationen zugreifen, die allein durch „ ERP “ nicht bereitgestellt werden können: die an der Station verwendete Materialcharge, die in Echtzeit erfassten Prozessparameterwerte, die gültige Version der Arbeitsanweisung, den Bediener, der den Arbeitsschritt ausgeführt hat, die Zeitstempel auf Schritt-Ebene sowie die nachgelagerten Arbeitsaufträge, die von dieser Einheit abhängen.
Dieses vernetzte Geflecht aus Daten aus der Praxis – von Tulip als „Context Graph“ bezeichnet – verankert die Entscheidungen der Mitarbeiter in der betrieblichen Realität und macht sie nachvollziehbar. Mitarbeiter, die ohne diesen Kontext arbeiten, stützen ihre Überlegungen auf unvollständige Informationen, und ihre Entscheidungen lassen sich im Rahmen einer behördlichen Überprüfung nicht rechtfertigen.
