Wie KI-Agenten für industrielle Abläufe eingesetzt werden

Der Einsatz eines industriellen KI-Agenten erfordert die Verknüpfung von vier Ebenen: einer Verbindung zu Betriebsdaten, einer Verarbeitungsebene, die diese Daten in eine Bewertung umwandelt, einem Aktionskanal, über den der Agent mit einer Person oder einem System interagiert, und Schnittstellen zu externen Tools. Keine dieser Ebenen ist optional oder lässt sich per Knopfdruck aktivieren – die Integration von KI-Agenten in ein Werk ähnelt eher einem kleinen Integrationsprojekt als der Installation einer App.

Was bedeutet „Einsatz“ eines industriellen KI-Agenten eigentlich?

Der Einsatz eines industriellen KI-Agenten bedeutet, ihn mit Echtzeit-Betriebsdaten zu verbinden, ihm einen Logikprozess zur Interpretation dieser Daten zu geben und seine Ausgabe über einen Kanal zu leiten, der einen Benutzer oder ein nachgelagertes System erreicht – nicht einfach ein Chatfenster zu öffnen. Der Begriff wird oft etwas ungenau verwendet, da eine textbasierte Schnittstelle zwar am einfachsten zu demonstrieren, aber am schwersten mit dem Gesamtsystem verwechselt werden kann.

Ein Chatbot beantwortet Fragen zu beliebigen Inhalten. Ein industrieller KI-Agent hingegen muss sich seine Antworten erst verdienen: Er benötigt Echtzeitdaten von einer SPS, einem SCADA System oder einer IoT Plattform, bevor er verlässliche Aussagen über Druckverläufe oder die Schwingungssignatur eines Motors treffen kann. Fehlt diese Verbindung, argumentiert der „Agent“ ohne jegliche Grundlage – er gibt zwar selbstbewusste Worte von sich, aber ohne jegliche Daten.

Ein industrieller KI-Agent kann nur dann auf Live-Maschinendaten reagieren, wenn zwei Ebenen vorhanden sind: eine Datenverbindung, die aktuelle Tag-Werte anstatt eines eingefügten Exports liest, und ein Aktionskanal mit der Berechtigung, Aktionen auszuführen – beispielsweise eine Warnung senden, einen Arbeitsauftrag erstellen oder einen Alarmedge . Ein Agent, dem die erste, aber nicht die zweite Ebene zur Verfügung steht, fungiert als Analyst. Ein Agent ohne beide Ebenen ist ein Chatbot. Die im Abschnitt „Bereitstellung“ beschriebenen Unternehmen Tractian, Siemens und Augmentir bieten alle beide Ebenen an.

Schritt 1: Verbindung zu den Betriebsdaten herstellen

Die Anbindung eines industriellen KI-Agenten an Betriebsdaten erfordert einen zuverlässigen Echtzeit-Datenzugriff auf die Anlagen, über die er Analysen durchführt: Streaming-Telemetriedaten von Sensoren, gatewayund SPSen sowie Zugriff auf den SCADA -Historian, in dem bereits jahrelange Tag-Daten gespeichert sind. Die Datenanbindung ist die unscheinbarste und zugleich unverzichtbare Komponente. Ohne sie funktionieren die Analyseebene, der Aktionskanal und alle externen Tools nicht.

Die meisten industriellen Anwendungen nutzen einen von drei Verbindungswegen. MQTT ist der Standard für alle Geräte, die bereits Daten streamen – Sensoren, gatewayund edge Geräte senden Daten an einen Broker, und die Plattform abonniert diese. HTTP/REST eignet sich für Daten mit niedrigerer Frequenz oder anfragebasierte Daten, wie beispielsweise Batch-Berichte oder ERP-Abfragen. Bei älteren Geräten – wie einer SPS in der Produktionshalle oder einem SCADA -Historian mit jahrelang gespeicherten Tag-Daten – erfolgt die Verbindung über OPC UA oder ein Protokoll- gateway , das Modbus oder Profinet in ein für die Plattform verständliches Format übersetzt.

Immer mehr Systeme lösen dieses Problem zentral und vorgelagert mit einem einheitlichen Namensraum: einer zentralen , MQTT-basierten Datenplattform, die von allen Nutzern – dashboards, Agenten, Historian-Systemen – abonniert wird, anstatt dass jedes System seine eigene Punkt-zu-Punkt-Integration entwickelt. Ein Agent, der auf einem einheitlichen Namensraum basiert, benötigt keine individuelle Verkabelung für jede Datenquelle; er liest von derselben Plattform, die bereits alle anderen Systeme nutzen.

Schritt 2: Dem Agenten etwas zum Nachdenken geben

Eine Echtzeit-Datenverbindung liefert Zahlen, keine Werturteile. Die Verarbeitungsschicht ist der Ort, an dem Modelle des maschinellen Lernens diese Zahlen in etwas umwandeln, das ein industrieller KI-Agent bewerten kann: einen Anomaliewert, eine Schätzung der verbleibenden Nutzungsdauer, eine Prognose, eine Schwellenwertüberschreitung mit zugehöriger Historie. Das Sprachmodell verarbeitet dann diese Ergebnisse, niemals den Rohdatenstrom.

Diese Arbeitsteilung ist entscheidend dafür, ob sich industrielle KI-Systeme bewähren oder im Pilotprojekt scheitern. Statistische Modelle und Modelle des maschinellen Lernens übernehmen die numerischen Berechnungen – beispielsweise die Anomalieerkennung, die eine um drei Standardabweichungen vom Ausgangswert abweichende Vibrationssignatur meldet, oder ein Modell für die vorausschauende Wartung, das die Restlebensdauer eines Lagers auf etwa 400 Stunden schätzt. Das Sprachmodell führt keine dieser Berechnungen durch. Es analysiert die Ergebnisse: Welches der elf markierten Anlagenteile ist in dieser Schicht am wichtigsten? Stimmt die Abweichung mit einer bekannten Rezepturänderung überein? Was sollte ein Techniker zuerst überprüfen?

Bittet man ein LLM, Anomalien in einem Rohdaten-Tag-Verlauf zu finden, liefert es eine flüssige, selbstsichere, aber häufig falsche Antwort. Fragt man es hingegen, warum der Anomaliedetektor bei Pumpe 4 ausgelöst hat, während dasselbe Muster bei Pumpe 7 – angesichts der Wartungshistorie beider Anlagen – unbedenklich war, dann tut es genau das, was es eigentlich kann. Die wichtigste Regel für den Einsatz: Maschinelles Lernen für Inferenz, LLM für logisches Denken.

Das bedeutet in der Praxis, dass die Berechnungen vor der Abfrage erfolgen. Geben Sie dem Agenten aggregierte Fenster und Modellausgaben – Stundenmittelwerte, einen Z-Score, eine Klassifizierungsbezeichnung – und nicht 40.000 Rohdaten, die ein Kontextfenster erschöpfen und pro Abfrage mehr kosten, als die Antwort wert ist. Fügen Sie den Kontext hinzu, den ein Mensch benötigen würde: Anlagentyp, Standort, Typenschildspezifikationen, aktuelle Arbeitsaufträge und wie der Normalzustand für diese Linie aussieht.

Und deterministische Logik sollte deterministisch bleiben. Wenn bei einem Druck über 100 psi immer jemand benachrichtigt werden soll, handelt es sich um eine Schwellenwertregel, nicht um eine logische Entscheidung – bedingte Ereignisse und Warnmeldungen lösen dieses Problem zuverlässiger und zu einem Bruchteil der Kosten. Leiten Sie den Agenten zu den unklaren Fällen weiter: also zu den Fällen, in denen eine Person mehrere Signale gegeneinander abwägen müsste, bevor sie über ein Eingreifen entscheidet.

Schritt 3: Die Vorgehensweise auswählen

Die Schlussfolgerung eines industriellen KI-Systems ist wertlos, wenn sie irgendwo landet, wo niemand hinsieht. Der Aktionskanal bestimmt, wie diese Ausgabe eine Person erreicht, die darauf reagieren kann – das Telefon eines Technikers, der Chatverlauf eines Entwicklerteams, der Posteingang eines Managers – oder ein System, das auch ohne einen solchen Kanal reagieren kann, wie beispielsweise eine Auftragswarteschlange.

Dies ist eine Entscheidung bezüglich der Implementierung, nicht der Benutzeroberfläche. Wartungstechniker sitzen nicht vor dashboards – sie sind in der Produktionshalle und haben ihr Smartphone in der Tasche. Ein Zuverlässigkeitsingenieur, der einen wiederkehrenden Fehler untersucht, möchte die Kommunikation direkt neben dem Trenddiagramm führen können. Ein Werksleiter möchte morgens um 6 Uhr eine Schichtzusammenfassung erhalten, nicht elf Benachrichtigungen über Nacht.

Die folgende Tabelle zeigt die Kanäle, zwischen denen die meisten industriellen Anwendungen gewählt werden, und wen jeder dieser Kanäle tatsächlich erreicht.

Die Kommunikationskanäle sind wichtiger, als es zunächst scheint. Ein WhatsApp-KI-Agent erreicht den Auftragnehmer, der sich nie auf der Plattform angemeldet hat und dies auch nie tun wird – keine App muss installiert, keine Lizenz bereitgestellt und keine Schulung durchgeführt werden. Dieses Detail entscheidet oft darüber, ob ein Projekt die Pilotphase übersteht. Schwellenwertbasierte WhatsApp-Benachrichtigungen funktionieren nach demselben Prinzip, nur ohne den KI-Agenten.

Eine WhatsApp-Benachrichtigung, die versendet wird, wenn eine Maschine den zulässigen Bereich verlässt, benötigt keinen Mitarbeiter. Ein Schwellenwertereignis überwacht eine Variable – beispielsweise eine Motortemperatur über 80 °C für fünf Minuten – und sendet eine vordefinierte Nachricht an eine Telefonnummer, sobald die Bedingung erfüllt ist. Ein Mitarbeiter wird hinzugezogen, wenn die Benachrichtigung eine Beurteilung erfordert: Welche von mehreren Maschinen außerhalb des zulässigen Bereichs soll zuerst überprüft werden? Oder handelt es sich bei dem Messwert um einen Sensorfehler und nicht um eine tatsächliche Abweichung?.

Dann stellt sich die schwierigere Frage: Benachrichtigt der Agent oder handelt er? Beratende Agenten schreiben keine Meldungen – sie fassen zusammen, priorisieren und erläutern Sachverhalte, und eine Person entscheidet. Agenten mit Schreibzugriff, die autonomen Agenten, können einen Arbeitsauftrag erstellen, einen Alarmedge oder einen Sollwert anpassen. Hier gewinnen Implementierungen wertvolle Zeit zurück, bergen aber auch reale Risiken.

Die Arbeitsregel in den meisten Betrieben lautet: Der Mitarbeiter darf frei in die Datenerfassungssysteme schreiben, jedoch niemals in die Steuerungssysteme. Ein falsch erstellter Arbeitsauftrag kostet jemanden zwanzig Minuten. Ein falsch eingestellter Sollwert führt zu ungeplanten Ausfallzeiten für eine Charge, eine Maschine oder eine Schicht.

Die nachstehende Tabelle zeigt, wo die einzelnen Agententypen schreiben dürfen.

Schritt 4: Nutzung von Tools jenseits der Plattform

Um Tools jenseits der Plattform zu nutzen, muss ein industrieller KI-Agent mit Systemen verbunden werden, die Informationen liefern, die Telemetriedaten allein nicht bieten: ein CMMS mit der Servicehistorie, ein ERP-System mit Ersatzteillager und Garantiebedingungen, eine vom Planer geführte Tabellenkalkulation, das Portal eines Lieferanten. Telemetriedaten können einem Agenten beispielsweise mitteilen, dass ein Kompressor mehr Strom verbraucht als im Vormonat. Nur diese externen Systeme können Auskunft darüber geben, ob er noch unter Garantie steht, wann er zuletzt gewartet wurde oder ob das Ersatzlager im Gebäude vorrätig ist.

Es gibt zwei Möglichkeiten, diese Verbindung herzustellen. Die ältere Methode ist eine systemspezifische Integration: ein REST-Aufruf, ein Webhook, eine geplante Synchronisierung – alles manuell geschrieben und gewartet. Die neuere Methode ist das Model Context Protocol.

MCP ist ein offener Standard, der KI-Anwendungen über einen einheitlichen Vertrag Werkzeuge und Daten zur Verfügung stellt. Ein MCP-Server beschreibt seine Funktionen – beispielsweise „Arbeitsaufträge abrufen“, „Ersatzteillager prüfen“ oder „Wartungsbedürftige Anlagen auflisten“. Der Agent erkennt diese Funktionen zur Laufzeit, anstatt sie fest in einer vorgegebenen Anrufkette zu kodieren. Durch Hinzufügen eines Servers erhält der Agent zusätzliche Fähigkeiten, ohne dass er neu programmiert werden muss.

Ein wichtiger Punkt, der viele Projekte unnötigerweise zum Stillstand bringt: Ihre Industriesysteme müssen MCP nicht selbst unterstützen. Ihr SCADA Anbieter muss es nicht bereitstellen. Ein MCP-Server schaltet sich vor jede bereits vorhandene Schnittstelle – eine REST-API, eine SQL-Verbindung oder einen OPC-UA-Endpunkt – und übersetzt die Daten. Der Standard ist in der Integrationsschicht verankert, nicht in den Geräten selbst. UbidotsDer MCP-Server von funktioniert genau so: Er stellt vorhandenen Plattformdaten externen KI-Tools zur Verfügung, ohne dass geräteseitig Änderungen erforderlich sind.

Herstellerneutralität ergibt sich aus demselben Design. MCP ist ein offener Standard, und jeder MCP-Server nutzt eine bereits existierende Schnittstelle. So kann ein industrieller KI-Agent in derselben Sitzung eine Siemens-SPS über OPC UA, einen Historian über SQL und ein CMMS eines Drittanbieters über REST abfragen. Der Austausch eines dieser Systeme erfordert lediglich den Austausch eines Servers, nicht aber die Neuentwicklung des Agenten.

Jede Verbindung sollte bewusst eingeschränkt werden. Jedes Tool, auf das ein Agent zugreifen kann, erweitert seine Möglichkeiten – bei korrekter Argumentation – und birgt das Risiko von Fehlern. Für alle Tools, die der Agent lediglich benötigt, sollten Lesezugriff gewährt werden, Schreibzugriff nur dort, wo ein fehlerhafter Schreibvorgang rückgängig gemacht werden kann. In beiden Fällen ist ein Protokoll jedes Toolaufrufs zu erstellen.

Wer setzt diese heute tatsächlich ein?

Industrielle KI-Systeme, die auf diesen vier Ebenen – Datenverbindung, Schlussfolgerung, Aktionskanal und externen Tools – basieren, sind bereits in namentlich genannten Anlagen im Einsatz, und Anbieter von Siemens bis Tractian liefern die Architektur als Produkt aus. Die öffentlich zugänglichen Informationen sind detailliert genug, um sie zu überprüfen, und jedes der folgenden Beispiele wird durch die jeweilige Unternehmensmitteilung oder -dokumentation belegt (siehe Quellen).

Benannte Anlagenimplementierungen. Buzzi Unicem USA, der US-amerikanische Zementhersteller, gab eine Partnerschaft mit UptimeAI bekannt, die mit einem Pilotprojekt für AI Expert – laut Anbieter eine Plattform, die auf über 1.000 Fehlermodi trainiert wurde – im Werk in Festus, Missouri, beginnt. Petroleum Development Oman kündigte die Einführung des Produkts für operative Exzellenz von UptimeAI für seinen gesamten Anlagenpark an, wobei der regionale Partner Karad Systems die Einführung unterstützt. Dies sind die deutlichsten öffentlichen Beispiele für den vollständigen Einsatz in einer realen Anlage und nicht nur in einer Demo.

Drei der vier Schichten in einem Stapel. Tractian veranschaulicht die oben beschriebene Architektur am besten. Seine Smart-Trac-Sensoren erfassen Vibrationen, Ultraschall, Temperatur und Drehzahl von rotierenden Maschinen und übertragen die Daten per 4G/LTE. Ein interaktiver Copilot wandelt die Diagnose in verständliche Anweisungen um, sodass kein Vibrationsanalyst benötigt wird. Die Ergebnisse fließen anschließend in einen CMMS-Arbeitsauftrag ein, der die Diagnose und die empfohlenen Reparaturschritte enthält – Datenverbindung, Analyseschicht und Aktionskanal in einem Produkt.

Agenten basieren auf einem Datenmodell. Cognites Atlas AI ist eine Low-Code-Plattform zur Entwicklung industrieller Agenten. Diese Agenten beziehen ihren Kontext aus dem Wissensnetzwerk von Cognite Data Fusionedge aus Rohdaten. Es gilt dasselbe Argument wie in Schritt 2: Die Qualität der Schlussfolgerungen hängt davon ab, welche Daten dem Agenten zur Verfügung gestellt werden.

Orchestrierung im Plattformmaßstab. Siemens präsentierte auf der Automate 2025 KI-Agenten für die industrielle Automatisierung. Diese basieren auf einem Orchestrator, der spezialisierte Agenten entsendet und ihnen ermöglicht, externe Tools und andere Agenten aufzurufen – Schritt 4, implementiert als Produktarchitektur. Augmentir verfolgt einen praxisorientierten Ansatz: Mit dem AI Agent Studio können Hersteller Agenten ohne Programmierung erstellen. Diese Agenten können eigenständig agieren, beispielsweise E-Mails und SMS versenden, und sind zudem in ERP-, CMMS-, QMS- und MES-Systeme integriert.

Was dies für Ihren ersten industriellen KI-Agenten bedeutet

Unabhängig von der gewählten Plattform entscheiden vier zentrale Fragen über den Erfolg eines industriellen KI-Agenteneinsatzes: Woher stammen die Echtzeitdaten? Wie werden diese Daten zu einer Bewertung verarbeitet? Wie gelangt diese Bewertung an eine handlungsfähige Person? Und welche Auswirkungen hat der Agent über die Plattform hinaus? Plattformen unterscheiden sich hauptsächlich darin, wie viele dieser Komponenten bereits vorkonfiguriert sind.

Wenn ein Pilotprojekt eines industriellen KI-Agenten vor dem Produktivbetrieb abstürzt, liegt die Ursache üblicherweise in einer dieser vier Ebenen: Der Agent liest einen einmaligen Export anstelle einer Live-Verbindung; das Sprachmodell wird mit numerischen Berechnungen beauftragt, die ein Modell durchführen sollte; die Ausgabe landet in einem dashboard , das niemand im Schichtbetrieb nutzt; oder die Antwort hängt von einem System ab, auf das der Agent nicht zugreifen kann. Alle vier Punkte lassen sich vor dem Start des Pilotprojekts überprüfen, was wesentlich einfacher ist als die Diagnose nach einem Absturz.

Ubidots implementiert dieses Muster durchgängig. Geräte verbinden sich über MQTT, HTTP/REST oder, gateway für ältere Geräte, Im KI-Center konfigurierte Agenten analysieren diese Daten und können sie direkt abfragen. Die Ergebnisse erreichen einen Techniker über WhatsApp oder den In-Plattform-Chat – denselben Kanal, der bereits für Schwellenwertwarnungen verwendet wird. Und wenn der nächste Schritt außerhalb von Ubidots, stellt der eigene MCP-Server diese Daten externen KI-Tools zur Verfügung, ohne dass geräteseitig Änderungen erforderlich sind. Datenverbindung, Datenanalyse, Datenübermittlung und externe Reichweite – vier Ebenen, eine Plattform.

Häufig gestellte Fragen zum Einsatz industrieller KI-Agenten

Wie werden KI-Agenten in industriellen Abläufen eingesetzt?

Ein industrieller KI-Agent wird in vier Schichten implementiert: einer Verbindung zu Echtzeit-Betriebsdaten, einer Analyseschicht, die diese Daten in eine Bewertung umwandelt, einem Aktionskanal, der das Ergebnis an eine Person oder ein System übermittelt, und Schnittstellen zu externen Tools. Jede Schicht erfordert eine separate technische Entscheidung; wird eine Schicht ausgelassen, schlägt die Implementierung fehl.

Welche Daten benötigen industrielle KI-Agenten, um zu funktionieren?

Ein KI-System für industrielle Anwendungen benötigt Echtzeit-Telemetriedaten der analysierten Anlagen über MQTT, HTTP oder OPC UA sowie den Kontext zur Interpretation: Art der Anlage, Standort, Wartungshistorie und normales Verhalten. Zusammengefasste Werte sind aussagekräftiger als Rohdaten – eine Zusammenfassung der Daten und die Analyse des Modells liefern bessere Ergebnisse als ein Monat an Messdaten.

Kann ein KI-Agent Daten aus meinem SCADA System auslesen?

Ja, vorausgesetzt, die Tags des Historikers erreichen eine Plattform, die der Agent abfragen kann – üblicherweise über OPC UA oder ein Protokoll gateway. Sobald Ihre SCADA Daten über MQTT, HTTP oder Modbus in Ubidots fließen, kann ein im AI Center konfigurierter KI-Agent diese Daten direkt abfragen.

Benötige ich MCP-Unterstützung in meinem System, damit KI-Agenten diese nutzen können?

Nein. MCP gehört zur Integrationsschicht, nicht zur Hardware: Ein MCP-Server kapselt die API oder Datenbank, die Ihr System bereits bereitstellt, sodass Ihre SPSen, Sensoren und SCADA Software nie mit MCP interagieren müssen. Ubidots liefert einen eigenen MCP-Server mit, sodass externe KI-Tools Ihre Ubidots Daten abfragen können.

Kann ich als WhatsApp-KI-Agent IoT Benachrichtigungen erhalten?

Ja. Messaging ist eine gängige Wahl, da es die Außendienstmitarbeiter dort erreicht, wo sie sich ohnehin aufhalten, anstatt sie aufzufordern, ein dashboardzu öffnen. Die im KI-Center erstellten Agenten können als WhatsApp-Kanal bereitgestellt werden, sodass Ihr Team direkt in WhatsApp Fragen stellen oder proaktive Benachrichtigungen zu seinen Geräten erhalten kann.

Quellen

• Einsatz von UptimeAI bei Petroleum Development Oman
• Tractian-Sensoren, Copilot und Arbeitsauftragsfluss – Industrieller Copilot: Wie KI Ihre Maschinen liest
• Cognite Atlas KI-Industrieagenten – Bericht von Automation.com
• Siemens KI-Agenten für die industrielle Automatisierung – Siemens-Pressemitteilung
• Augmentir Industrial AI Agent Studio — Augmentir Newsroom