KI-Anwendungen sind in der Industrie seit über zwei Jahrzehnten fest etabliert: Sie werten Betriebsdaten aus der Wertschöpfungskette aus, damit menschliche Teams Geschäftsentscheidungen treffen können. Nun entwickeln sich auch KI-Agenten branchenübergreifend von theoretischen Konstrukten zu praktischen Anwendungen entwickelt.
Autonome Entscheidungen machen den Unterschied
Mit agentischer KI sind Systeme gemeint, in denen autonome Agenten unabhängig voneinander oder miteinander arbeiten können, um bestimmte Aufgaben innerhalb eines definierten Workflows zu erledigen. Egal ob in Fabriken, Raffinerien und Kraftwerken, die selbstgesteuerten Co-Piloten stecken tief in Produktionsanlagen, Netzwerken und Maschinen. Sie analysieren und optimieren Prozesse, um verschiedene Effekte zu erzielen: die Betriebszeit erhöhen, die Markteinführungszeit für Produktdesigns verkürzen und Abfälle in der Produktion reduzieren. Doch damit agentische KI dies leisten kann, braucht es ein stabiles Datenfundament. Um sicherzugehen, dass sich KI zuverlässig anwenden lässt, sollten Unternehmen zunächst ihre Daten konsolidieren und eine zugängliche, kontrollierte und durch Governance gesteuerte Datenlandschaft schaffen. Zudem setzt die reibungslose Integration in den Betrieb und die Systeme eine durchdachte und flexible KI-Strategie voraus, denn neue Technologien, Modelle und Anbieter kommen in rasantem Tempo auf den Markt.
Weg von passiver Analyse
Überwachen, Instandhalten und Fehlerbehebung sind oft keine rein manuellen Tätigkeiten mehr. In vielen Firmen lassen sich mithilfe von KI kritische Infrastrukturen in Echtzeit überwachen. KI-gestützte, prädiktive Datenanalysen sollen Ausfallzeiten reduzieren und die Ausfallsicherheit von Maschinen und Anlagen erhöhen. Mit Agentic AI wird das Zusammenspiel der verschiedenen KI-Tools bezeichnet: Ein Agent könnte beispielsweise Ausfälle von Geräten prognostizieren, ein anderer Wartungsprotokolle analysieren und ein dritter Ersatzteilbestellungen bearbeiten.
Der KI-Agent arbeitet autonom und oft rund um die Uhr. Dabei greift er auf Sensordaten aus IoT-Geräten oder Systemdaten wie Betriebstemperaturen, Druckspezifikationen oder Sicherheitskennzahlen zurück und interpretiert sie. Die Mitarbeitenden können so beispielsweise die Leistung einer Förderpumpe im Blick zu halten: Dazu weisen sie das System an, ein KI-Modell zu erstellen, das die Pumpe im 24-Stunden-Betrieb kontrolliert und Teams bei Abweichungen alarmiert. Wer mit agentischer KI arbeitet, muss nicht automatisch KI-Experte oder Datenwissenschaftler sein. Wird das System mit Large Language Models (LLMs) kombiniert, können die Einstiegshürde sinken: Etwa wenn Mitarbeitende Anweisungen in natürlicher Sprache geben und das System auf die gleiche Weise antwortet.
Gängige Use Cases für KI-Agenten
Agentische KI kann bestehende Tech-Stacks erweitern. Dabei haben sich eine Reihe von Anwendungsgebieten ergeben, in denen diese Technologien helfen können, den Output zu steigern.
Anlagenidentitäten ermitteln
Digitale Zwillinge helfen, Lieferketten zu optimieren, Anlagenleistungen vorherzusagen und die Produktion zu verbessern. Sie benötigen jedoch saubere, kontinuierliche Daten, die oft über verschiedene Systeme hinweg zugeordnet und abgestimmt werden müssen. Wenn beispielsweise ein System ein Gerät als ‚Pumpe 101‘ identifiziert und ein anderes als ‚PMP 101‘, muss ein Mitarbeitender diese Verbindung manuell herstellen. Agentische KI kann den Großteil dieser Arbeit automatisieren und die Identität von Anlagen mit einer Genauigkeit von bis zu 80 Prozent ermitteln. Das bedeutet, dass Ingenieurteams weniger Zeit mit dem Abgleichen von Tabellenkalkulationen verbringen und mehr Zeit damit, Nutzen aus den digitalen Zwillingen zu schöpfen.
Weitreichendere Analysen
Ein weiterer Anwendungsfall liegt in der Verbesserung bestehender Programme. Aktuelle KI-Assistenten können bereits Abfragen wie die Anzeige des durchschnittlichen Stromverbrauchs der letzten 24 Stunden bearbeiten. Für Aveva ist das Feld der agentischen KI betreten, wenn die KI tiefere Analysen bewältigt: Daten sammeln, Berechnungen durchführen, Muster und Zusammenhänge ermitteln und selbstständig Erkenntnisse generieren. Das ist der Unterschied zwischen einer Temperaturmessung und der Information, dass das System aufgrund mehrerer Symptome auf einen Ausfall zusteuert. Mit einem intelligenteren Betriebsmodell können Mitarbeitende Risiken besser einschätzen, um schneller zu reagieren.
Dashboard-Daten überwachen
Ein Kraftwerksbetreiber kann KI etwa einsetzen, um einen Überwachungsagenten für einen leistungsschwachen Kondensator zu erstellen. Die KI sammelt Daten aus verschiedenen Systemen, bewertet die Leistung und erstellt ein detailliertes Dashboard, mit dem Teams Probleme wie Verschmutzungen und die damit verbundenen Kosten verfolgen können. Die Überwachung erfolgt rund um die Uhr. Damit halten Betreiber ihre komplexen Anlagen leichter im Blick.
KI in der industriellen Anwendung
Die Anwendungsfälle zeigt den betrieblichen Nutzen von KI-Agenten: Die Systeme können Risiken identifizieren und den Kurs in Echtzeit korrigieren. Bald wird es agentenbasierte KI-Überwachungssysteme in Unternehmen geben, die Probleme identifizieren und Warnmeldungen senden, wenn etwas außerhalb der Toleranz liegt. KI wird immer komplexere Aufgaben übernehmen können, ohne dass größere Änderungen an der Infrastruktur erforderlich sind. Zudem lernen die Systeme stetig dazu und passen sich an, sodass sie bei längerem Einsatz effektiver werden.
Um KI-Agenten einzusetzen, müssen die Beteiligten einbezogen werden. Mehrschichtige Sicherheitsvorkehrungen, klare Ziele und kontinuierliche Verbesserungszyklen sind meist unverzichtbar. Den Mitarbeitenden obliegt weiter die Kontrolle und Verantwortung.
