Agentic AI in der Fertigung — was es konkret bedeutet (und was nicht)
“Agentic AI” ist der neue Buzzword-Standard auf Industrie-Messen. Jeder Anbieter behauptet, ihn zu haben. Die Realität ist meistens: ein Chatbot mit Werks-Logo, der auf “Stell mir eine Frage” reagiert. Das ist nicht Agentic AI. Das ist ChatGPT-Wrapper.
Hier ist, was Agentic AI tatsächlich ist — und was sie in einem Werk konkret liefern soll.
Was Agentic AI von einem Chatbot unterscheidet
Ein klassischer Chatbot ist reaktiv: Nutzer fragt, Bot antwortet, fertig.
Ein Agent ist:
- Spezialisiert — klare, eng definierte Aufgabe (z.B. “Stoerungsanalyse aus BDE-Einträgen”, nicht “alles über Produktion”).
- Daten-angebunden — direkter Zugang zu Echt-Daten (DB, APIs, Sensoren), nicht nur zu seinem Trainings-Korpus.
- Aktions-faehig — kann selbst etwas tun: Ticket anlegen, Bericht erstellen, Schedule aktualisieren. Nicht nur Text generieren.
- Auditierbar — jede Aktion mit Quellen-Anker und Begründung nachvollziehbar.
Sechs konkrete STATECH-Agenten
| Agent | Konkrete Aufgabe |
|---|---|
| Production-Scheduling | Plant Auftragsreihenfolge auf OR-Tools-Basis, schlägt Disponent vor |
| Quality/Vision | CNN-Bild-Auswertung an der Linie, Trend-Erkennung |
| Predictive-Maintenance | FFT-Analyse auf Vibrations-Daten, 7-21-Tage-Vorhersage |
| Knowledge/Root-Cause | RAG über 8D-Berichte und Tickets, antwortet mit Quellen-Anker |
| Schichtübergabe | Strukturierter Bericht aus BDE/Tickets in 90 Sekunden |
| Energy-Optimization | Lastverschiebung und Spitzenwarnung aus S0/Modbus-Daten |
Jeder dieser Agenten hat einen klaren Datenraum und ein klares Output-Format. Kein Bot ist allzustaendig. Das ist der Punkt.
Drei Dinge, die kein Marketing-Pitch erwähnt
1. Halluzinationen sind real — auch in Werks-Daten
LLMs erfinden Daten, wenn sie unter Druck stehen. Selbst der beste Agent kann “Maschine 7 hatte Freitag Vibrations-Anomalie” sagen, wenn das nicht stimmt — weil das Modell aus aehnlichen Mustern interpoliert.
Was wir dagegen tun: RAG-Architektur mit hartem Cut-Off. Wenn der Agent keine konkrete Quelle findet, sagt er “ich finde keine Daten dazu” statt zu raten. Stichproben-Test bei jedem Release.
2. Daten verlassen das Werk — auch bei “EU-Hosting”
Anthropic Claude (EU-Endpoint) bekommt die relevanten Snippets für eine Antwort. Das ist nicht “alle Daten im Werk”, aber es ist auch nicht “nichts”.
Was wir transparent machen: AVV listet konkret, was übertragen wird. Vision- und Predictive-ML laufen lokal — diese Daten verlassen das Werk nie.
3. Agenten sind nur so gut wie Ihre Daten
Wenn Ihr BDE-System chaotisch ist (falsche Auftrags-IDs, fehlende Stückzahlen), ist der beste Agent überfordert. Vor einer Live-Setzung machen wir einen Daten-Hygiene-Check und sagen ehrlich: “Erst BDE sauber, dann Agent sinnvoll.”
Was kein Agent jemals kann
- Verantwortung tragen. Wenn der Scheduling-Agent eine Reihenfolge vorschlägt und ein Auftrag fliegt durch — Disponent ist verantwortlich, nicht Agent. Wir markieren das im UI: jede Agenten-Empfehlung erfordert Bestätigung.
- Personal ersetzen. Schichtführer braucht Werkstatt-Erfahrung, die kein Agent hat. Agenten sind Co-Worker, nicht Ersatz.
- Vertraulichkeit selbst herstellen. Wenn Sie sensitive Kunden-Daten nicht ans Modell schicken wollen, müssen Sie das in der Pipeline-Konfiguration ausschliessen. Wir helfen dabei, aber Sie entscheiden.
Was tun jetzt
Wenn Sie über Agentic AI nachdenken — die drei Fragen, die ich Ihnen empfehle zu stellen, bevor Sie irgendeinem Anbieter Geld geben:
- “Welcher Agent löst welches konkrete Problem?” Wenn Antwort vage ist, ist es Marketing.
- “Was passiert, wenn der Agent halluziniert?” Wenn keine konkrete Strategie da ist, ist es Marketing.
- “Wo sind die Daten, die der Agent sieht?” Wenn die Antwort “Cloud” ohne Detail ist, ist es Marketing.
Wir beantworten diese drei Fragen konkret im 45-Minuten-Erstgespräch. Erstgespräch buchen →
Tags