Agentische KI im MES: Das Leitfaden für Führungskräfte für die nächste Ära der Fertigungsführung

Manufacturing Execution Systems (MES) wurden entwickelt, um Kontrolle, Rückverfolgbarkeit und Struktur in die Produktion zu bringen. Sie digitalisierten Arbeitsanweisungen, verwalteten die Qualität, verfolgten die Produktgenealogie und verbanden den Betrieb mit den Unternehmenssystemen. Im Sinne von ISA-95 MES zur operativen Brücke zwischen Geschäftsplanung und Fertigungssteuerung. Doch dieses Modell reicht nicht mehr aus.

Die nächste Welle besteht nicht aus weiteren Dashboards, Benachrichtigungen oder Copiloten, die in Arbeitsabläufe eingebunden werden. Es handelt sich vielmehr um agentische KI: Systeme, die Ziele interpretieren, im Kontext logisch argumentieren, mehrstufige Aktionen planen und innerhalb festgelegter Rahmenbedingungen handeln können.

Dies verändert die Rolle des MES . Die Chance besteht nicht darin, MES reines Erfassungssystem zu verbessern, sondern es zu einem System für koordinierte Maßnahmen im gesamten operativen Tagesgeschäft weiterzuentwickeln. Dabei geht es nicht um Autonomie im Sinne einer Ablösung des Menschen, sondern um eine eigenverantwortliche Ausführung– bei der Software in den Bereichen Qualität, Instandhaltung, Terminplanung, Compliance und Bedienerunterstützung erkennen, entscheiden und handeln kann. Dies ist kein einfaches Feature-Upgrade, sondern ein Wandel des Betriebsmodells.

Den meisten Fabriken mangelt es nicht an Daten. Ihr Problem ist die Verzögerung zwischen Signal und Reaktion. Es tritt eine Abweichung auf, und jemand geht der Sache nach. Ein Vorgesetzter wertet die Situation aus, ein Planer passt den Zeitplan an, ein Qualitätsingenieur eröffnet eine CAPA, und ein Techniker wird entsandt. Dieser Ablauf ist nach wie vor zu langsam, zu manuell und zu fragmentiert.

Agentische KI verkürzt diese Latenzzeit. Sie verbindet die Erkennung direkt mit einer koordinierten Reaktion und verwandelt isolierte Arbeitsabläufe in geschlossene Ausführungssysteme. Darin liegt der wahre Mehrwert. Gleichzeitig bewegt sich die Fertigungsbranche insgesamt bereits in diese Richtung. Die Arbeiten des NIST zum Thema „Smart Manufacturing“ zeigen, dass Fortschritte in den Bereichen Rechenleistung, Konnektivität und Daten erhebliche Möglichkeiten zur Produktivitätssteigerung bieten – allerdings nur, wenn sie auf vertrauenswürdige, interoperable und in der betrieblichen Realität verankerte Weise umgesetzt werden.

Die Herausforderung besteht darin, dass die meisten Unternehmen noch nicht so weit sind. Untersuchungen der OECD zeigen, dass KI zwar in der Fertigungsindustrie ein großes Potenzial birgt – insbesondere in Bezug auf Prozessoptimierung, Effizienz und Widerstandsfähigkeit –, die Einführung jedoch nach wie vor uneinheitlich und fragmentiert über Unternehmen und Branchen hinweg verläuft . Diese Lücke ist von Bedeutung.

Das bedeutet, dass viele Hersteller in KI-Anwendungsfälle investieren, ohne die tatsächliche Funktionsweise der Umsetzung zu verändern. Sie fügen Intelligenz an den Rändern hinzu, während sie das zentrale Betriebsmodell unangetastet lassen. Dies führt zu schrittweisen Verbesserungen, nicht zu einer Transformation. Führungskräfte sollten sich stattdessen auf das Betriebssystem der Umsetzung selbst konzentrieren – darauf, wie Entscheidungen in Echtzeit getroffen, koordiniert und umgesetzt werden. Aus diesem Grund muss sich die Diskussion von KI als Produktivitätswerkzeug hin zu KI als Umsetzungsmodell verlagern.

Die meisten Transformationsprogramme laufen nach wie vor in Phasen ab: einen Prozess digitalisieren, einen Workflow einführen, diesen stabilisieren und dann zum nächsten Schritt übergehen. Dieses Modell ist nicht mehr zeitgemäß. Die Fertigungsindustrie ist heute geprägt von Volatilität, Personalengpässen, Produktkomplexität und dem Druck, widerstandsfähig zu sein. Statische Systeme können da nicht mithalten. Was Führungskräfte stattdessen brauchen, ist eine kontinuierliche Transformation.

Das bedeutet, Umgebungen zu schaffen, in denen sich Arbeitsabläufe, Entscheidungen und Verbesserungszyklen ständig weiterentwickeln – nicht im Rahmen jährlicher Projekte, sondern als Teil des täglichen Betriebs. Hier kommt die agentische KI ganz natürlich zum Einsatz. Im Gegensatz zu regelbasierten Systemen können agentische Systeme auf sich ändernde Bedingungen reagieren, systemübergreifende Zusammenhänge erfassen und zwischen verschiedenen Handlungsoptionen wählen.

Der zukünftige MES sollte nicht nur danach beurteilt werden, wie gut er die heutigen Prozesse standardisiert, sondern auch danach, wie gut er Anpassungen in der Zukunft ermöglicht. Darin liegt der Unterschied zwischen Digitalisierung und kontinuierlicher Transformation

Der entscheidende Begriff lautet hier „komponierbare agentische Architektur“.

„Composable“ bedeutet, dass das System modular und nicht monolithisch aufgebaut ist. Das NIST hat die Fortschritte im Bereich der intelligenten Fertigung ausdrücklich mit serviceorientierten Ansätzen und mit Standards in Verbindung gebracht, die die Kombinierbarkeit, Interoperabilität und das korrekte Verhalten verteilter Fertigungsdienste unterstützen. Die historischen Modelle behalten ihre Relevanz, da sie die strukturelle Logik für die Beziehungen zwischen Unternehmens- und Betriebssystemen liefern; jedoch erfordert agentenbasierte KI mehr als nur Schichtdefinitionen. Sie erfordert ein Laufzeitmodell für koordiniertes Handeln.

Das zentrale Konzept ist die „composable agentic architecture“. Composable Systeme sind modular aufgebaut und nicht monolithisch. Sie lassen sich zusammenstellen, neu konfigurieren und erweitern, ohne das Gesamtgefüge zu beeinträchtigen. Dieser Ansatz ist nicht neu – doch er gewinnt mittlerweile zunehmend an Bedeutung.

Die Arbeiten des NIST zu serviceorientierten Architekturen für die intelligente Fertigung machen dies deutlich: Die nächste Generation von Fertigungssystemen wird aus lose gekoppelten, bedarfsorientierten Diensten bestehen, die dynamisch zusammengestellt werden können, und nicht aus festen Anwendungen, die als Monolithen bereitgestellt werden. Diese dienstbasierten Systeme ermöglichen eine größere Flexibilität, Interoperabilität und Skalierbarkeit, sodass Hersteller Daten, Intelligenz und Funktionen je nach Bedarf abteilungsübergreifend integrieren können.

Die agentische KI baut direkt auf dieser Grundlage auf, fügt jedoch einen entscheidenden Aspekt hinzu: ein Laufzeitmodell für koordinierte Entscheidungsfindung und Handlungsabläufe. Es reicht nicht aus, Dienste bereitzustellen. Das System muss in der Lage sein, zu entscheiden, wie und wann diese genutzt werden sollen. Hier kommt die agentische Architektur ins Spiel.

In der Praxis MES ein modulares agentenbasiertes MES auf fünf Ebenen:

1. Kontext-Ebene
   Führt Maschinenzustände, Bedienereingaben, Qualitätsdaten, Arbeitsaufträge, Wartungshistorie und unternehmensweite Vorgaben zusammen
2. Ebenen der Argumentation
   Interpretiert Ziele und bewertet Optionen unter Einbeziehung von Planung, Gedächtnis und Werkzeugzugriff
3. Agentenebene
   Spezialisierte Agenten für Bereiche wie Terminplanung, Qualität, Wartung und Dokumentation
4. Orchestrierungsschicht
   Verwaltet die Koordination, Konfliktlösung, Eskalation und Durchsetzung von Richtlinien
5. Ausführungsschicht
   Führt Aktionen aus, aktualisiert Datensätze, löst Workflows aus, weist Aufgaben zu und interagiert mit verbundenen Systemen

Dieses mehrschichtige Modell spiegelt die Entwicklung der modernen Fertigungsforschung wider. In Multi-Agenten-Systemarchitekturen wird die Entscheidungsfindung zunehmend auf spezialisierte Agenten verteilt, wie beispielsweise Produkt- und Ressourcenagenten, wobei jeder Agent für unterschiedliche Teile des Produktionssystems verantwortlich ist. Diese Agenten können planen, Aktionen anfordern und sich untereinander abstimmen, um die Leistung des gesamten Systems zu beeinflussen.

Der Vorteil liegt nicht nur in der Dezentralisierung, sondern auch in der Anpassungsfähigkeit. Da die Agenten den Kontext gemeinsam nutzen und innerhalb eines koordinierten Systems agieren, können sie dynamisch auf sich ändernde Bedingungen reagieren, anstatt sich auf festgelegte Arbeitsabläufe zu verlassen. Dies ist besonders wichtig in Umgebungen, in denen zentralisierte Logik mit Skalierbarkeit, Variabilität und Echtzeitanforderungen zu kämpfen hat.

Beispiel: Eine Qualitätsabweichung wird festgestellt → Ein Qualitätsbeauftragter bewertet den Schweregrad → Ein Dispositionsbeauftragter beurteilt die Auswirkungen auf die Produktion → Die Koordinierungsebene legt die Eindämmungsstrategie fest → Das System hält Material zurück, aktualisiert Anweisungen und weist Korrekturmaßnahmen zu

Alles innerhalb festgelegter Grenzen. Das ist operative KI in der Praxis. Die Erkenntnis für Führungskräfte ist einfach: Wenn Ihre Architektur nach wie vor auf eng gekoppelten Anwendungen basiert, schränkt dies die Möglichkeiten der KI ein. Ist sie hingegen als modulares System aus Diensten aufgebaut, die von Agenten koordiniert werden, schafft dies die Grundlage für eine kontinuierliche, adaptive Ausführung.

Die richtigen Ansatzpunkte sind nicht die anspruchsvollsten Anwendungsfälle. Es sind vielmehr die Entscheidungen, die den größten operativen Druck mit sich bringen. Dabei handelt es sich um Entscheidungen, die häufig getroffen werden, funktionsübergreifend sind, zeitkritisch sind und bei Verzögerungen hohe Kosten verursachen. Genau hier schafft Koordination – und nicht bloße Vorhersage – einen Mehrwert.

Die Forschung untermauert diesen Wandel zunehmend. Untersuchungen zur Wartungsplanung mit mehreren Agenten zeigen, dass Entscheidungen nicht isoliert optimiert werden können. Bei der Festlegung des Wartungszeitpunkts müssen der Zustand der Anlagen, der Produktionsbedarf und systemweite Einschränkungen gegeneinander abgewogen werden. Verteilte Agenten können lokale Empfehlungen generieren, doch diese Empfehlungen sind nur dann von Nutzen, wenn sie über ein System koordiniert werden, das Zuverlässigkeit, Kosten und betriebliche Auswirkungen gemeinsam bewertet.

Gleichzeitig zeigen umfassendere Untersuchungen im Fertigungsbereich, dass KI den größten Nutzen bringt, wenn sie Wartung, Produktionsplanung und Qualitätssicherung in einem einzigen Entscheidungsprozess miteinander verknüpft, anstatt jede Funktion für sich zu optimieren. Dies ist die zentrale Erkenntnis. Die Anwendungsfälle mit dem höchsten ROI sind keine isolierten Prognosen, sondern koordinierte betriebliche Entscheidungen.

Zwei Bereiche veranschaulichen dies deutlich.

Die Instandhaltung ist ein Beispiel dafür. Der Wandel vollzieht sich von vorausschauenden Warnmeldungen hin zu koordinierten Maßnahmen. KI-gestützte Instandhaltung ermöglicht bereits eine Echtzeitüberwachung und Ausfallvorhersage und geht damit über starre Zeitpläne hinaus hin zu datengesteuerten Eingriffen. Doch Vorhersagen allein lösen das Problem nicht. Der wahre Mehrwert entsteht erst, wenn Instandhaltungsentscheidungen auf Produktionsbeschränkungen, die Verfügbarkeit von Arbeitskräften und Abwägungen auf Systemebene abgestimmt werden. Multi-Agenten-Ansätze zeigen, wie dezentrale Entscheidungsfindung in Kombination mit Koordination auf Systemebene sowohl die Zuverlässigkeit als auch den Durchsatz gleichzeitig verbessern kann.

Ein weiterer Aspekt ist die Qualität. Der Vorteil liegt nicht allein in einer besseren Erkennung, sondern in einer schnelleren und besser vernetzten Reaktion. KI wird zunehmend zur Fehlererkennung und Echtzeitüberwachung eingesetzt, doch ihre weitreichende Wirkung entfaltet sich erst dann, wenn Qualitätssignale direkt mit der Terminplanung, der Instandhaltung und betrieblichen Entscheidungen verknüpft werden. Eine Abweichung sollte keinen isolierten Arbeitsablauf auslösen, sondern koordinierte Maßnahmen im gesamten Betrieb, einschließlich Eindämmung, Terminanpassung, Aktualisierung von Anweisungen und Durchführung von Korrekturmaßnahmen.

Diese Bereiche stehen im Mittelpunkt des MES . Hier ist Koordination von größter Bedeutung, und hier sind Verzögerungen am kostspieligsten. Die Schlussfolgerung für Führungskräfte ist klar: Beginnen Sie nicht mit isolierten KI-Anwendungsfällen. Beginnen Sie mit Entscheidungen, die eine systemweite Abstimmung erfordern. Genau hier liefert die agentische Architektur überdurchschnittliche Erträge und beginnt, die tatsächliche Arbeitsweise der Fabrik neu zu gestalten.

Genau hier scheitern viele Initiativen. Agente-basierte Systeme liefern nicht nur Erkenntnisse. Sie ergreifen Maßnahmen. Das verändert das Risikoprofil grundlegend.

In physischen Betriebsabläufen lassen sich Fehler nicht einfach nachträglich beheben. Wenn KI Arbeitskräfte koordiniert, Material transportiert oder die Produktion beeinflusst, sind die Folgen unmittelbar spürbar. Wie das Weltwirtschaftsforum feststellt, ist der begrenzende Faktor, sobald KI in physische Systeme integriert ist, nicht mehr das, was die Technologie leisten kann, sondern die Art und Weise, wie Verantwortung, Befugnisse und Eingriffe geregelt werden.

Aus diesem Grund ist Governance kein Mehraufwand. Sie ist Infrastruktur. Mit der Skalierung autonomer Systeme wächst auch das Risiko. Funktionen können heute schneller bereitgestellt, aktualisiert und verteilt werden, als sich Organisationen anpassen können. Ohne eine starke Governance wächst das operative Risiko schneller als die Kontrollsysteme. Genau dieses Problem sollen Rahmenwerke wie Management-Framework AI Risk Management-Framework des NIST angehen. Das AI RMF bietet einen strukturierten Ansatz für das Risikomanagement über den gesamten Lebenszyklus von KI-Systemen hinweg, der auf kontinuierlichen Prozessen zur Steuerung, Abbildung, Messung und Verwaltung des KI-Verhaltens im Kontext basiert.

Der Kerngedanke besteht darin, dass Governance keine einmalige Kontrollmaßnahme ist, sondern ein fortlaufender Prozess. Für die Fertigung bedeutet dies konkret, wie MES agentenbasiertes MES konzipiert und betrieben werden MES . Führungskräfte müssen festlegen, welche Entscheidungen automatisiert werden können, wo eine menschliche Freigabe erforderlich ist, wie sichere Zustände aussehen und wie Überwachung und Eingriffe in Echtzeit funktionieren. Dabei handelt es sich nicht nur um strategische Fragen, sondern um Entscheidungen zur Systemgestaltung.

Ein operatives System sollte klare Berechtigungsstrukturen, nachvollziehbare Aktionen, richtlinienbasierte Einschränkungen, Genehmigungsschwellen und explizite Stoppbedingungen umfassen. Es sollte das Verhalten kontinuierlich überwachen, Ergebnisse messen und die Kontrollmechanismen an veränderte Bedingungen anpassen. Das ist der Wandel.

Governance ist nicht mehr etwas, das man erst nach der Bereitstellung hinzufügt. Sie muss in das Ausführungssystem selbst integriert sein, genauso wie Zuverlässigkeit, Sicherheit und Qualitätskontrollen in physische Produktionssysteme integriert sind. Wenn Sie nicht erklären können, was das System tun durfte, was es getan hat und warum, dann haben Sie kein betriebsfähiges System. Sie haben eine Demo.

Hier geht es nicht um den Ersatz von Arbeitskräften. Dies so darzustellen, ist ein Irrtum. Die Fertigungsindustrie war schon immer auf Fachwissen an vorderster Front angewiesen, und daran ändert sich nichts. Tatsächlich gewinnt dies sogar noch an Bedeutung. Untersuchungen des Weltwirtschaftsforums untermauern diesen Punkt eindeutig. Vollautomatisierte Abläufe sind selten realisierbar oder gar optimal. Menschliche Arbeitskräfte bleiben ein entscheidender Wettbewerbsvorteil für die Leistungsfähigkeit der Fertigungsindustrie, insbesondere da Systeme immer komplexer werden und die Einführung neuer Technologien immer schneller voranschreitet.

Gleichzeitig werden Mitarbeiter an vorderster Front oft am wenigsten in die Einführung neuer Technologien einbezogen, obwohl sie deren Hauptnutzer sind. Diese Kluft führt zu Reibungsverlusten, verlangsamt die Akzeptanz und schränkt den Nutzen ein. Die Untersuchungen zeigen, dass eine erfolgreiche Technologieeinführung davon abhängt, die Mitarbeiter direkt einzubeziehen, ihr Feedback zu berücksichtigen und Systeme zu entwickeln, die von Anfang an menschenzentriert sind. Dies steht in direktem Einklang mit dem Wandel hin zu agentenbasierten Systemen. In einer agentischen Umgebung verschwindet die Rolle des Menschen nicht. Sie rückt in der Hierarchie nach oben.

Bediener verbringen nicht mehr den Großteil ihrer Zeit damit, vordefinierte Aufgaben auszuführen. Sie überwachen, greifen ein und lenken das Systemverhalten. Ingenieure definieren Arbeitsabläufe, Richtlinien und Ausnahmeregelungen. Führungskräfte verlagern ihren Fokus von der Statusverfolgung hin zur Steuerung leistungsorientierter Systeme. Das System führt aus. Der Mensch koordiniert. Dies ist auch der Grund, warum führende Unternehmen beginnen, Mitarbeiter an vorderster Front als Wissensarbeiter zu betrachten, deren Fachwissen durch bessere Werkzeuge und Kontextinformationen ergänzt und nicht durch diese ersetzt wird.

Die Schlussfolgerung ist von großer Bedeutung. Die Einführung neuer Technologien ist nicht mehr nur eine technische Herausforderung, sondern eine organisatorische. Werden Systeme ohne Einbeziehung der Mitarbeiter eingeführt, bleiben sie hinter ihren Möglichkeiten zurück. Sind sie hingegen darauf ausgelegt, menschliches Urteilsvermögen zu ergänzen und Erkenntnisse aus der Praxis einzubeziehen, gewinnen sie im Laufe der Zeit erheblich an Effektivität und Beständigkeit. Darin liegt der eigentliche Wandel in der Arbeitswelt: nicht weniger Menschen im Prozess, sondern eine bessere Nutzung der menschlichen Aufmerksamkeit.

Auf dem Markt herrscht großer Hype, aber es bestehen auch echte Risiken. Gartner schätzt, dass bis 2027 mehr als 40 % der Projekte im Bereich der agentenbasierten KI eingestellt werden, was vor allem auf unklaren geschäftlichen Nutzen, steigende Kosten und unzureichende Risikokontrollen zurückzuführen ist. Das ist kein Versagen der Technologie. Es ist ein Versagen des Ansatzes.

Die meisten Unternehmen betrachten agierende KI nach wie vor als Ergänzung zu bestehenden Systemen oder als eine Ansammlung isolierter Experimente. Sie streben nach neuen Funktionen, ohne die tatsächlichen Abläufe neu zu gestalten. Deshalb werden sie scheitern. Die Unternehmen, die Erfolg haben werden, gehen von einer anderen Frage aus. Nicht: „Wie integrieren wir KI in MES?“, sondern: „Welche operativen Entscheidungen sollten halbautonom getroffen werden, unter welchen Rahmenbedingungen und auf welcher Architektur?“

Das ist der entscheidende Wandel. Bei der agentenbasierten KI geht es nicht darum, MES zu machen. Es geht darum, die Ausführung von vornherein schneller, koordinierter und anpassungsfähiger zu gestalten. Die führenden Unternehmen werden dies nicht als eine einfache Roadmap für neue Funktionen betrachten. Sie werden es als ein neues Betriebssystem für die Fabrik betrachten. Genau hier wird sich der Vorsprung ergeben.