Der nächste Schritt zur selbstoptimierenden Fabrik

GenAI, Agentic AI und Physical AI sind mehr als nur die nächste Welle der digitalen Transformation. Sie werden Entscheidungsprozesse und Betriebsabläufe neu gestalten und damit die Möglichkeiten entlang der gesamten Wertschöpfungskette in der Fertigung erweitern. Fertigungsunternehmen können mit den neuen KI-Merkmalen intelligente Modelle in großem Maßstab in ihre Kerngeschäftsprozesse integrieren. Damit besteht die Möglichkeit, traditionelle Geschäftsprozesse mit intelligenten Systemen zu transformieren, die die Produktion optimieren und gleichzeitig Innovation und Nachhaltigkeit fördern – und das bei deutlich reduziertem Trainingsaufwand.

Die steigende Bedeutung von GenAI unterstreicht auch die Studie „Von der Fertigungshalle ins KI-Zeitalter“ von NTT Data. 64 Prozent der befragten Führungskräfte sehen in generativer KI einen Game Changer und 95 Prozent gehen von einer direkten Verbesserung von Effizienz und Performance aus. 91 Prozent sind davon überzeugt, dass digitale Zwillinge in Kombination mit GenAI sowohl die physischen Anlagen performanter als auch die Lieferketten robuster machen. Nicht zuletzt meinen auch 96 Prozent, dass GenAI die Kreativität fördern und die Innovationskraft stärken kann.

Doch wie ist der Stand der Dinge? Viele Fertigungsunternehmen verfügen zwar über Produktionsstraßen mit Automatisierungslösungen, breit skalierte GenAI-Projekte sind allerdings nach wie vor die Ausnahme. Gerade wenn es um den Shopfloor oder die Einbindung der kompletten Lieferkette in KI-optimierte Prozesse geht, besteht noch Handlungsbedarf. Teilweise dominiert bei der Umsetzung von KI-Projekten auch eine zögerliche Haltung. Das mag bei rein regelbasierten Maschinen und Prozessen, für die GenAI zu ungenau ist, berechtigt sein. In allen anderen Fällen sollte die Industrie jedoch die neuen KI-Chancen im Hinblick auf die Wettbewerbs- und Innovationsfähigkeit ergreifen.

Die Vorarbeiten

Klar ist aber auch, dass die Einführung von neuen KI-Lösungen mit technischen und organisatorischen Herausforderungen verbunden ist. Unerlässlich ist eine konsistente Datenbasis, die zudem zielgenau als Kontext den GenAI-Modellen bereitgestellt werden muss. Das heißt, Prozess-, Maschinen- und Qualitätsdaten müssen standardisiert, zugänglich und verknüpft sein. Um eine Entscheidungsfähigkeit in Echtzeit zu gewährleisten, müssen zudem Agenten in MES (Manufacturing Execution System)- und SCADA (Supervisory Control and Data Acquisition)-Lösungen eingebunden sein.

Wichtige Entscheidungen betreffen auch die Infrastruktur und die KI-Modelle. Zunächst muss beachtet werden, dass Foundation-Modelle für GenAI enorme Rechenressourcen benötigen. Viele Unternehmen gehen im Hinblick auf diese Herausforderung den Weg einer Kombination von Private-Cloud-Systemen für vertrauliche Betriebsdaten und Public-Cloud-Kapazitäten für rechenintensive Trainingsläufe. Die Echtzeit-Entscheidungen erfolgen dann meistens lokal in der Fertigungslinie und Edge-Umgebung.

KI-Agenten führen die Industrie in ein neues Zeitalter

KI-Agenten markieren in der Industrie den nächsten Schritt der digitalen Transformation: Sie koordinieren Prozesse, tauschen Daten aus und verändern Rollen.

Redaktion Automation NEXT

Bei den KI-Modellen dominieren derzeit die auf generischen Informationen basierenden großen Sprachmodelle (LLMs) wie Open AI GPT, Anthropic Claude und Google Gemini den Markt. Für die spezifischen Anforderungen im Fertigungsbetrieb, in dem unter anderem auch 3D-Modelle, CAD-Dateien und Sensordaten mit Parametern wie Luftfeuchtigkeit, Schaltplänen, Industrie- und Umweltstandards berücksichtigt werden müssen, sind sie allerdings weniger gut geeignet. Hier bieten sich stattdessen spezielle industrielle Foundation-Modelle (IFMs) an, die aufgabenspezifisch optimiert sind. Auch kleine Sprachmodelle (SLMs) sind insbesondere für den Einsatz auf Edge-Geräten eine sinnvolle Lösung. Durch sie entfällt die mit der cloudbasierten Verarbeitung verbundene Latenz und Entscheidungen können nahezu in Echtzeit getroffen werden.

Zu den erforderlichen organisatorischen Maßnahmen gehört die Etablierung einer GenAI-Governance mit klaren Richtlinien und der Definition ethischer Leitplanken. Ebenso wichtig ist das Training der Mitarbeitenden im Umgang mit KI. In dem sich ständig weiterentwickelnden KI-Umfeld sollte Weiterbildung ein kontinuierlicher Prozess sein.

Die neuen Möglichkeiten von GenAI und Agentic AI

Während die „klassische“ KI in der industriellen Umgebung vor allem in der Mustererkennung, Qualitätskontrolle und bei Predictive Maintenance bereits integraler Bestandteil vieler Betriebe ist, bringt GenAI eine neue Qualität ins Spiel. Wenn GenAI erfolgreich in die Kerngeschäftsprozesse integriert wird, kann sie zum Beispiel komplexe Betriebsabläufe automatisieren, Ausfälle von Anlagen genauer prognostizieren, Lieferketten optimieren und die Produktentwicklung beschleunigen.

Genau wie GenAI in vielen Bereichen die Leistung traditioneller KI übertrifft, verstärkt Agentic AI die Wirkung von GenAI. Leistungsstarke autonome Entscheidungsfindung, Handlungsausführung und Anpassungsfähigkeit verbinden sich mit Orchestrierung, Koordination und Management, um GenAI auf das nächste Level zu heben. Agentic AI handelt selbstständig im Rahmen definierter Zielvorgaben – von der automatischen Anpassung der Maschinenparameter bis zur Durchführung komplexer Troubleshooting-Prozesse ohne menschliches Eingreifen. In Fertigungslinien, die mehrere Produktvarianten parallel bearbeiten, können mehrere Agenten koordiniert agieren. Sie stimmen sich untereinander über Ressourcen wie Maschinenzeit oder Werkzeugwechsel ab und optimieren die Reihenfolge der Arbeitsschritte. So entsteht ein adaptives Produktionssystem, das auf schwankende Auftragsvolumina oder geänderte Kundenanforderungen in Echtzeit reagieren kann.

Physical AI als neue Stufe der Automatisierung

Physical AI schließlich ermöglicht die Interaktion mit der physischen Welt und erweitert generative KI-Modelle um das Verständnis räumlicher Beziehungen, des Materialverhaltens und physikalischer Gesetzmäßigkeiten. Vereinfacht ausgedrückt werden dabei menschliche Wahrnehmungen und Erfahrungen auf die Anlagen übertragen, und zwar nicht nur bezogen auf einzelne Maschinen, sondern im Hinblick auf eine komplette Fertigungsstraße. Physical AI kann Tausende an Informationen im Bruchteil einer Sekunde aufnehmen und auf dieser datengetriebenen Basis dann beispielsweise Warnungen ausgeben oder sogar eigenständig Maßnahmen einleiten.

In Kombination mit einem digitalen Zwilling, also der präzisen Abbildung einer Maschine, eines Roboters oder einer Fabrikhalle im virtuellen Raum, können die KI-Systeme dann außerdem anhand von Simulationen lernen, wie sie in realen Räumen sicher navigieren, Objekte greifen oder kollisionsfrei mit Menschen zusammenarbeiten. Für Fertigungsbetriebe bedeutet das: Ein kollaborativer Roboter assistiert bei Montagen, indem er menschliche Bewegungen vorausschauend antizipiert.

Auch wenn die Nutzung von GenAI, Agentic AI und Physical AI in einem Fertigungsunternehmen viele Vorteile verspricht, ist die Einführung kein Selbstläufer. Hier kann die Einbindung eines externen auf die Themen spezialisierten Dienstleisters aus mehreren Gründen sinnvoll sein. Er bringt die notwendige technologische und fachliche Expertise mit und kann als unabhängiger Berater bei der Lösungsauswahl fungieren. Darüber hinaus unterstützt er Unternehmen etwa bei der Use-Case-Identifikation, dem Datenmanagement oder der IT-Integration. Auf diese Weise können Fertigungsbetriebe Fehlinvestitionen vermeiden und relativ schnell einen Mehrwert aus dem Einsatz von neuen KI-Lösungen generieren, sodass sie auf dem Weg zur Vision einer autonomen Fabrik einen entscheidenden Schritt vorankommen.