Vor rund zwei Jahren hat die Fertigung ihre Reise durch den Hype-Zyklus der KI begonnen, und jetzt sind alle Augen auf die Umsetzung von Anwendungsfällen gerichtet. In den letzten zwölf Monaten haben sich generative KI-Anwendungen, die auf Large Language Models (LLMs) basieren, in den Fabrikhallen etabliert, um die Arbeitenden zu unterstützen und die Produktivität zu steigern. Sie beschleunigen die Erstellung von Dokumenten und deren Konvertierung in Formate wie digitale Arbeitsanweisungen und Videoanleitungen erheblich, reduzieren die Bereitstellungszeit und -kosten und bieten effizientere Suchfunktionen. Mehrsprachige Transkription von Inhalten helfen dabei, Sprachbarrieren zu überwinden. Steht jetzt die nächste Entwicklungsstufe der KI bevor: die Ära der agentenbasierten Systeme? Dem Adobe Agentic Readiness Report zufolge haben derzeit weniger als die Hälfte der deutschen Fertigungsunternehmen agentenbasierte KI eingeführt. 31 Prozent beabsichtigen jedoch, dies innerhalb der nächsten drei Monate zu tun, 16 Prozent innerhalb der nächsten zwölf Monate. Es gibt aber auch Bedenken: 37 Prozent der Befragten nennen den Datenschutz als Hauptproblem, 35 Prozent verweisen auf den technologischen Reifegrad und 31 Prozent auf die komplexe Integration. Hinzu kommt, dass es viele deutsche Unternehmen nach wie vor mit einem Mangel an qualifizierten Fachkräften und mit kulturellen Vorbehalten zu tun haben, etwa dem Misstrauen gegenüber autonomen Entscheidungen und der Angst vor Kontrollverlust.
Agentenbasierte KI in der Fertigung
Die Einführung von agentenbasierter KI in der Fertigung steckt noch in den Kinderschuhen, weshalb es viele offene Fragen gibt. KI-Agenten sind zunächst nichts anderes als autonome Softwaresysteme, die künstliche Intelligenz nutzen, um Aufgaben auszuführen, zu berechnen und Entscheidungen zu treffen, ohne dass ein Mensch eingreifen muss. Sie nehmen ihre Umgebung wahr, planen Aktionen, führen diese mit Werkzeugen aus und sie können mit der Zeit lernen und sich verändern.
Eher Assistent als Agent
In aktuellen Anwendungsfällen agiert die agentenbasierte KI eher wie ein Assistent oder ein halbautonomer, zielgerichteter Agent. ‚Human in the Loop‘ ist unerlässlich, um Leitplanken und Vertrauen zu schaffen und den Weg zum vernetzte Mitarbeitenden zu ebnen. Kurzfristig wird es realistisch sein, sich wiederholende Aufgaben im Hintergrund zu automatisieren, bei komplexen Aufgaben zu helfen, einfache Aufgaben schneller und effizienter auszuführen, Analysen durchzuführen, für die die Arbeitende keine Zeit haben, und als Co-Pilot bei der Navigation durch komplexe Prozesse zu fungieren. Aber die Hersteller sollten Leitplanken für die agentenbasierte KI einrichten, damit sie als Teammitglied arbeitet und nicht aus dem Ruder läuft. Das ist der Punkt, an dem zwischen selbständigem Handeln und echter Autonomie unterschieden werden muss: KI-Agenten können zwar handeln, aber der Benutzer muss die finale Kontrolle behalten. ‚Human in the Loop‘ ist dabei nicht nur eine Frage der Sicherheit, sondern auch eine Frage der Leistung und des Vertrauens. Für das Softwareunternehmen Poka sieht der Evolutionspfad für die Beziehung zwischen KI-Agenten und Arbeitenden in der Fertigung so aus:
Heute – Assistenten und Automatisierung Die Digitalisierungs- und Automatisierungslösungen von Retarus ermöglichen effiziente Abläufe ohne manuellen Aufwand oder Kompromisse bei der Datensouveränität ‣ weiterlesen
Business Process Solutions
Retarus beschleunigt Datenaustausch in der Produktion
Konversationsbasierte Agenten werden eingesetzt, um bei Inhalten und Daten zu unterstützen, regelbasierte Trigger durchzusetzen und Hintergrundaufgaben auszuführen.
Nahe Zukunft – zielgerichtete Autonomie
Es entstehen denkende Agenten, die Absichten interpretieren und Unteragenten und Werkzeuge koordinieren. Bei der Behebung eines Problems leitet ein orchestrierender Agent beispielsweise Werkzeuge weiter, erstellt einen Lösungsvorschlag und lässt ihn durch den Benutzer freigeben.
Der Blick nach vorn – Proaktivität und Prognosen
Schließlich entwickeln sich die Agenten von reaktiv zu proaktiv weiter. Ab diesem Zeitpunkt sind sie in der Lage, frühe Signale von Ausfällen, Abweichungen oder Ineffizienzen zu erkennen, bevor diese auftreten. Sie können vorausschauende Analysen durchführen, um vorherzusagen, was passieren wird, und entsprechende Handlungsempfehlungen geben. Mit der Zeit sind KI-Agenten in der Lage, zu lernen und sich zu verbessern, sodass sich ihre Arbeitsabläufe kontinuierlich verbessern. Es folgen drei Anwendungsfälle in der Fertigung für KI-Agenten.
Probleme lösen
Angenommen, ein Bediener versucht, ein Problem zu beheben. Der Supervisor-Agent (Orchestrator) interpretiert die Absicht (David möchte ein Problem beheben) und leitet die Anfrage an einen wissensbasierten Agenten weiter. Dieser sucht nach möglichen Antworten. Wenn keine Lösung gefunden wird, schlägt der Orchestrator den nächstbesten Schritt vor: ‚Möchten Sie, dass ich das als Problem in Poka für Sie erfasse?‘. Der Agent erstellt unter Verwendung des ihm bereits vorliegenden Kontexts (Anlage, Ausrüstung usw.) den Entwurf für einen Problembericht und bittet den Benutzer um eine endgültige Bestätigung, bevor er ihn einstellt.
Warnungen an Vorgesetzte
Ein weiterer Use Case wäre, wenn der KI-Agent selbst Trends aufdecken kann, statt auf eine Schwellenwertüberschreitung zu warten. So kann er beispielsweise wiederkehrende Probleme in den Sicherheitschecklisten von Gabelstaplern feststellen. Der Agent meldet das Muster dem Vorgesetzten: ‚Ich erkenne häufiger Probleme bei Ihren Gabelstapler-Checks – vielleicht sollten Sie das untersuchen, bevor es eskaliert.‘
Schichtleistung erhöhen
Anhand von verfügbaren Daten, wie ausgefüllten Checklisten, den Mitarbeiterprofilen und den aktuellen Bedingungen an der Produktionslinie, können die Agenten früh erkennen, wann das Ergebnis einer Schicht gefährdet ist. Etwa ‚Die Schicht läuft seit einer Stunde, aber einige erforderliche Checklisten fehlen und 30 Prozent des Teams sind für diese Maschine nicht voll qualifiziert. Diese Bedingungen führen in der Regel zu einer niedrigeren Gesamtanlageneffektivität (Overall Equipment Effectiveness, OEE) und zu Qualitätsproblemen.‘ Mit Prognosefunktionen könnte der Agent Korrekturmaßnahmen vorschlagen, beispielsweise den Austausch eines Mitarbeitenden oder die Aufforderung, bestimmte Checklisten auszufüllen. Der Entwicklungspfad ist klar: von den hilfreichen Assistenten von heute über die zielgerichteten Agenten der nahen Zukunft bis hin zu proaktiven, Prognosesystemen, die Probleme vorhersehen, bevor sie eskalieren.
