Über den Chatbot hinaus: Wie agentenbasierte KI in der diskreten Fertigung funktioniert

Die Warnmeldung wird ausgelöst. Der Vorgesetzte liest sie. Er versteht, was sie bedeutet. Er öffnet ein anderes System. Er erstellt einen Arbeitsauftrag. Er benachrichtigt den Bediener. Er versucht, daran zu denken, dies zu dokumentieren. Manchmal tut er es.

Bei diesem Ablauf – von den Daten über den Menschen bis hin zur Entscheidung und schließlich zur Umsetzung – enden die meisten Investitionen in KI im Fertigungsbereich.

Die erste Welle der KI-Investitionen der meisten Hersteller von diskreten Komponenten konzentrierte sich darauf, bessere Dashboards, klarere Warnmeldungen bei Abweichungen und eine bessere Datenverfügbarkeit an mehr Orten zu schaffen. Doch dieselben Vorgesetzten sehen sich nach wie vor jeden Morgen mit derselben manuellen Vorabprüfung konfrontiert, nur dass die zu bearbeitende Liste mittlerweile länger geworden ist.

Das Problem liegt in der Architektur. Wenn die KI zwar eine Erkenntnis liefert, ein Mensch diese Erkenntnis jedoch weiterhin in jede nachfolgende Handlung umsetzen muss (Eröffnung eines Arbeitsauftrag, Überprüfung des Materialzertifikats, Benachrichtigung des Bedieners, Protokollierung der Reaktion), hat die KI zwar die Informationsebene verbessert, die Ausführungsebene jedoch unverändert gelassen.

In Branchen wie der Luft- und Raumfahrt, der Medizintechnik und der Automobilindustrie, in denen eine einzige nicht erfasste Abweichung eine umfassende CAPA-Untersuchung oder eine Rückrufprüfung nach sich ziehen kann, kann diese Lücke schnell zu einem Compliance-Risiko werden.

Agentische KI hat das Potenzial, diese Lücke zu schließen. Entscheidend ist dabei, an welcher Stelle im Stack der Agent angesiedelt ist.

Für viele fungiert generative KI als digitaler Berater. Sie ist in der Lage, Fragen zu beantworten, Zusammenfassungen zu erstellen, Empfehlungen zu geben und auf Anfrage Dokumente zu entwerfen. Das Ergebnis gelangt in die Hände eines Menschen. Der Mensch entscheidet, was zu tun ist. Die Handlungskette beginnt und endet bei einer Person.

Agentische KI ist in der Lage, weitaus mehr zu leisten. Bei einem festgelegten Ziel und einer Reihe von operativen Rahmenbedingungen erfasst ein agentisches System die Bedingungen, bewertet Optionen, führt Maßnahmen über vernetzte Systeme hinweg aus und protokolliert das Ergebnis. Dabei ist in keinem Schritt eine menschliche Entscheidung erforderlich.

In der Fertigung ist dieser Unterschied deutlich. Ein MES „KI-Fähigkeiten“ könnte eine Drehmomentabweichung an Station 4 feststellen und wie folgt reagieren: „Die letzten drei Einheiten wiesen 22,3 Nm auf, während der Sollwert bei 24–26 Nm liegt. Empfohlene Maßnahme: Überprüfen Sie die letzten Baugruppen.“ Der Bediener liest daraufhin die Warnmeldung, entscheidet, ob er den Arbeitsauftrag aussetzt, protokolliert die Abweichung und benachrichtigt gegebenenfalls per E-Mail einen Qualitätstechniker.

Ein agentisches System, das dieselbe Abweichung feststellt, ist in der Lage, die letzte konforme Einheit anhand ihrer Seriennummer zu identifizieren, hält die nachgelagerten Arbeitsaufträge zurück, die von dieser Charge abhängen, leitet eine Nachbearbeitungsanweisung an die Schnittstelle des Qualitätstechnikers weiter – zusammen mit dem vorab zusammengestellten Nachweispaket (Messwerte, Materialzertifikat, Bediener-ID, revisionskontrollierte Arbeitsanweisung) – und protokolliert seine eigene Aktion im rückverfolgbaren Ausführungsprotokoll.

Der Unterschied besteht darin, was zwischen dem Moment, in dem „das System etwas erkannt hat“, und dem Moment, in dem „das Problem behoben wurde“, geschieht.

Deloitte prognostiziert eine Vervierfachung der Einführung agentischer KI in der Fertigungsindustrie – von derzeit 6 % auf 24 % bis zum Jahr 2027. Diese Einführungslücke ist weniger auf mangelndes Interesse zurückzuführen als vielmehr auf Unklarheit darüber, was für einen produktionsreifen Einsatz agentischer KI erforderlich ist.

Frühe Anwender von KI konzentrieren sich darauf, Lösungen einzusetzen, die den Herstellern Aufschluss darüber geben, was gerade geschieht. Nur wenige loten die Möglichkeiten aus, die Lösungen bieten, die tatsächlich Maßnahmen ergreifen können.

Agenten ERP(SAP Joule, die integrierte KI Oracle, die Industry AI Agents von Infor) sind in der Lage, reale Planungsprobleme zu lösen. Sie können Produktionspläne als Reaktion auf Lieferengpässe anpassen, die Kapazitätszuweisung optimieren und Entscheidungen im Auftragsmanagement mit mehr Kontext untermauern, als ein statisches dashboard jemals bieten dashboard . Ihre Einsatzebene ist das Unternehmensplanungssystem.

Diese Ebene befindet sich oberhalb des eigentlichen Arbeitsgeschehens. Diese Lösungen sind nicht darauf ausgelegt, den Kontext der Ausführung an vorderster Front in Echtzeit zu erfassen.

Wenn ein Agent auf ERP zugreift, kann er Entscheidungen über Pläne treffen. Wenn ein Agent auf Daten zur Ausführung an der Produktionsfront zugreift, trifft er Entscheidungen über die Arbeit. In der diskreten Fertigung spiegelt der Konformitätsbericht (der Bericht über den Ist-Zustand bzw. den Prüfbericht) die tatsächlich ausgeführte Arbeit wider.

Die Daten, die der Agent benötigt

Damit ein agentisches System in einer komplexen Fertigungsumgebung eine sichere, autonome Entscheidung treffen kann, benötigt es mehr Informationen, als sich allein aus einem Arbeitsauftrag. Es benötigt die Nummer der entnommenen Materialcharge, die während der Ausführung an der Station erfassten Daten, die Identität und Qualifikation des Bedieners, die Arbeitsanweisung, die für diesen Schritt maßgeblich war, sowie die nachgelagerten Baugruppen, die vom Bestehen dieser Einheit abhängen.

Dieser operative Kontext spielt sich auf der Ausführungsebene ab: der gesteuerte Workflow, die Datenerfassung am Arbeitsplatz, die schrittweisen Datensätze, die eine Frontline-Plattform im Laufe der Arbeit zusammenstellt. Ohne diesen Kontext muss ein Mitarbeiter über Sachverhalte urteilen, die er nicht vollständig überblickt. Seine Entscheidungen mögen schnell getroffen werden. Sie mögen in der Regel richtig sein. Doch sie lassen sich bei einem behördlichen Audit nicht rechtfertigen, da die Nachweiskette, die die Entscheidung stützt, nicht vorhanden ist.

Die Kluft zwischen dem Bereich, in dem Agenten ERP agieren, und dem Bereich, in dem vertretbare autonome Entscheidungen getroffen werden müssen, ist das architektonische Problem, das die meisten agentenbasierten KI-Implementierungen bislang noch nicht gelöst haben. Diese Lücke schließt der Kontextgraph: das Echtzeit-Netzwerk aus Betriebsdaten, das jede Aktion mit dem Material, dem Arbeitsablauf, dem Bediener und den geltenden Vorgaben verknüpft.

Ein Kontextgraph ist ein in Echtzeit aktualisiertes Netzwerk aus Betriebsdaten, das eine bestimmte Arbeitseinheit mit den für die Ausführung und die Einhaltung von Vorschriften relevanten Faktoren verknüpft: dem Materiallos, den Prozessparametern, der Identität und Qualifikation des Bedieners, der aktuellen Version der Arbeitsanweisung, Zeitstempeln sowie nachgelagerten Abhängigkeiten.

Auf der PlattformTulip wird diese Information im Laufe der Arbeit kontinuierlich zusammengetragen: Jeder Schritt, den ein geführter Arbeitsablauf erfasst, jeder Parameter, den ein Sensor aufzeichnet, jede Materialcharge, die ein Bediener scannt, jeder Entscheidungspunkt, der mit Zeitstempel und Kontext protokolliert wird. Wenn ein Mitarbeiter handeln muss, spiegelt der Kontext, auf dessen Grundlage er seine Entscheidung trifft, den aktuellen Zustand dieser bestimmten Einheit auf dieser bestimmten Fertigungslinie zum gegenwärtigen Zeitpunkt wider.

Eine gut ausgestattete Frontline-Plattform erfasst sechs Dimensionen, anhand derer sich feststellen lässt, ob die eigenständige Entscheidung eines Mitarbeiters einer genauen Prüfung standhält:

• Materialzertifizierungen und Rückverfolgbarkeit der Chargen in Verbindung mit der jeweiligen Serien- oder Chargennummer

• Prozessparameter, die an der Station in Echtzeit gemessen werden (die tatsächlich erfassten Daten)

• Identität des Bedieners und Qualifikationsstatus für jeden durchgeführten Schritt

• Die zum Zeitpunkt der Ausführung gültige und maßgebliche Überarbeitung der Arbeitsanweisung

• Zeitstempel auf Schritt-Ebene für jede Aktion in der Abfolge

• Nachgelagerte Abhängigkeiten, insbesondere welche Assemblies oder Operationen davon abhängen, dass diese Einheit erfolgreich durchläuft

Wenn ein Akteur über diese Detailgenauigkeit verfügt, sind seine Entscheidungen fundiert.

Der Entscheidungsverlauf ergibt sich aus den Daten. Ein Prüfer, der einen markierten Arbeitsauftrag überprüft, muss Arbeitsauftrag rekonstruieren, was geschehen ist; der Kontextgraph zeigt die Bedingungen, die die Entscheidung ausgelöst haben, die Daten, auf deren Grundlage der Agent gehandelt hat, und welche Maßnahmen er ergriffen hat.

Das ist es, was KI auf der Ausführungsebene von KI auf der Planungsebene unterscheidet.

In der Luft- und Raumfahrt, bei Medizinprodukten sowie in allen ISO- oder FDA Fertigungsumgebungen ist die Dokumentation zur Einhaltung von Vorschriften nie „abgeschlossen“. Jede Nichtkonformität ist ein potenzieller Anlass für eine Aktenanforderung. Jeder Arbeitsauftrag ist ein potenzielles Bestandsdokument. Die Audit-Bereitschaft ist ein Zustand, den Sie kontinuierlich aufrechterhalten müssen, und die Frage, die Sie sich stellen müssen, ist immer dieselbe: Können Sie genau nachweisen, was geschehen ist?

Wenn KI-Agenten außerhalb der Ausführungsebene arbeiten (in ERP, BI-Plattformen oder eigenständigen KI-Tools), ist diese Frage schwieriger zu beantworten.

Die Maßnahmen des Mitarbeiters werden nicht automatisch in der Bestandsdokumentation erfasst. Sie müssen manuell eingetragen werden, sonst fehlen sie dort. In der Praxis bedeutet dies, dass die Dokumentation Lücken aufweist, wo immer der Mitarbeiter etwas verändert hat, ohne dass ein strukturierter Erfassungsmechanismus vorhanden war.

Wenn Agenten innerhalb der Ausführungsebene arbeiten, erstellt sich der Protokollsatz von selbst. Jede Aktion des Agenten (Durchführung einer Qualitätsprüfung, Unterbrechung eines nachgelagerten Arbeitsauftrag, Weiterleitung einer Nachbearbeitungsanweisung, Kennzeichnung einer Abweichung) wird im selben nachvollziehbaren Ausführungsprotokoll erfasst wie die Schritte des Bedieners selbst. Nicht in einem separaten KI-Protokoll, das die Compliance-Abteilung später abgleichen muss. Sondern direkt im Protokoll. Verknüpft mit der auslösenden Bedingung, den Daten, auf die der Agent reagiert hat, und dem erzielten Ergebnis.

So sieht „Evidenz durch Standard“ aus. Die Dokumentation der Compliance wird zu einem Nebenprodukt des normalen Produktionsbetriebs.

Die Composable AI Agents Tulip basieren auf diesem Modell. Jede Aktion eines Agenten (das auslösende Ereignis, die Entscheidung, die Ausführung, das Ergebnis) wird auf derselben Plattform protokolliert, auf der auch die zugrunde liegenden Ausführungsdaten erfasst wurden.

Die regulatorischen Anforderungen im Zusammenhang mit dem Einsatz von KI waren noch nie so hoch wie heute. Das inzwischen in Kraft getretene EU-KI-Gesetz sieht bei Verstößen im Zusammenhang mit risikoreichen KI-Anwendungen Strafen von bis zu 35 Millionen Euro oder 7 % des weltweiten Jahresumsatzes vor. Qualitätskontrollsysteme in der Fertigung fallen wahrscheinlich in den Anwendungsbereich. „Die KI war es“ ist keine akzeptable Erklärung bei einer Prüfung. „Hier sind alle Entscheidungen, die der Agent getroffen hat, die Daten, auf deren Grundlage er gehandelt hat, und die Ergebnisse, die er erzielt hat“ hingegen schon.

Was passiert, wenn der Agent einen Fehler macht und das Team nicht wusste, dass er die Entscheidung getroffen hat? Diese Frage verhindert, dass mehr agentenbasierte KI-Piloten in die Produktion gelangen, als es jede Lücke in den Fähigkeiten tun würde.

Das ist eine berechtigte Sorge. Laut Deloitte verfügen derzeit nur 21 % der Unternehmen, die agentische KI einsetzen, über ein ausgereiftes Governance-Modell. Das Risiko bei den meisten frühen Implementierungen liegt weniger im Agenten selbst als vielmehr im Fehlen klarer Grenzen hinsichtlich dessen, wozu der Agent befugt ist und wozu nicht.

Das 90/10-Modell

Das meiste, womit ein Mitarbeiter in der diskreten Fertigung konfrontiert wird, ist Routine. Eine Messung innerhalb eines bekannten Parameterbereichs. Eine Anpassung des Zeitplans innerhalb festgelegter Kapazitätsgrenzen. Eine Schichtzusammenfassung, die aus strukturierten Ausführungsdaten erstellt wurde. Diese Vorgänge folgen vorhersehbaren Mustern, unterliegen einer klar definierten Entscheidungslogik und führen zu Ergebnissen, die das Compliance-Team bereits geprüft hat. Nennen wir dies die 90 %: Situationen, in denen der Mitarbeiter über ausreichenden Kontext, klare Regeln und die Befugnis zum Handeln verfügt.

Die 10 % sind der Bereich, in den Eskalationen gehören. Dabei handelt es sich um neuartige Fehlerfälle, denen der Agent in seinem konfigurierten Anwendungsbereich noch nicht begegnet ist. Entscheidungen, die Compliance-Schwellenwerte überschreiten und eine autorisierte Unterschrift erfordern. Maßnahmen mit erheblichen Auswirkungen auf die nachgelagerte Produktion (Verwerfung einer Charge, Anhalten einer Produktionslinie). Jede Entscheidung, die einen behördlichen Nachweis erzeugt, der eine menschliche Bestätigung erfordert. Diese gehören nicht in die autonome Ausführung, und ein gut konfigurierter Agent erkennt den Unterschied.

In der Praxis bedeutet die Festlegung der 90/10-Grenze drei Dinge:

1. Welche Entscheidungen kann der Agent treffen, ohne jemanden darüber zu informieren;

2. welche Bedingungen eine manuelle Überprüfung auslösen, bevor der Agent tätig wird; und

3. welche Entscheidungen vor der Umsetzung die Genehmigung eines Vorgesetzten oder eines Qualitätstechnikers erfordern.

Diese Konfigurationen sind in der Plattform hinterlegt, nicht im Modell. Sie werden vom für den Prozess zuständigen Team festgelegt, können von der Compliance-Abteilung überprüft werden und lassen sich im Laufe der Weiterentwicklung des Betriebs anpassen.

Die „Composable AI Agents“ Tulip lassen sich für alle drei Bereiche konfigurieren. Die Teams legen den Umfang, die Eskalationsauslöser und die Schnittstelle fest, über die menschliche Entscheidungen angezeigt werden. Wenn eine Entscheidung menschliche Eingaben erfordert, erfolgt dies über die Tulip des Bedieners und nicht über ein separates KI-Portal, das der Bediener parallel dazu überprüfen muss. Der Workflow dient dabei als Steuerungsmechanismus.

Wie gute Regierungsführung aussieht

Der McKinsey-Bericht „State of AI“ vom November 2025 kam zu dem Ergebnis, dass Unternehmen mit den leistungsfähigsten Implementierungen agentischer KI ein gemeinsames Merkmal aufweisen: Kontrollmechanismen, bei denen Menschen den Prozess überwachen, validieren und eingreifen.

Das sieht so aus:

• Ein lückenloser Prüfpfad: Jede Entscheidung eines Agenten wird zusammen mit der auslösenden Bedingung, den zugrunde liegenden Daten, der durchgeführten Aktion und dem Ergebnis protokolliert

• Manuelle Übersteuerung auf Bedienerebene: Jede Aktion eines Agenten kann von einem autorisierten Benutzer überprüft und rückgängig gemacht werden

• Gültigkeitsbereichskontrollen: Agenten, die für bestimmte Aktionssätze konfiguriert sind; jede Erweiterung erfordert eine explizite Konfigurationsänderung

• Eskalation über die Bedienoberfläche: Entscheidungen, die menschliches Urteilsvermögen erfordern, werden in dem Arbeitsablauf angezeigt, den der Bediener bereits nutzt

• Regelmäßige Leistungsüberprüfung: Das Verhalten der Mitarbeiter wird in festgelegten Abständen anhand von Qualitäts- und Compliance-Kennzahlen bewertet

Die Teams, die Agenten souverän einsetzen, sind diejenigen, die zuerst das Governance-Modell und erst danach die Automatisierung entwickelt haben.

Wenn Sie eine 15 Jahre alte SAP-Installation betreiben, ersetzen Sie diese nicht, um KI-Agenten einzusetzen.

Hersteller mit stark angepassten ERP oder älteren MES haben zu viel Betriebslogik in diese Plattformen eingebettet, als dass sie diese innerhalb eines wirtschaftlich sinnvollen Zeitrahmens entfernen könnten.

Agentische KI auf der Ausführungsebene erfordert keine vollständige Erneuerung.

Agenten verbinden sich über APIs mit bestehenden Systemen. Ein hochwertiger Agent, der in Tulip arbeitet, Tulip bei SAP die mit dem aktuellen Arbeitsauftrag verknüpfte Materialzertifizierung abfragen, die Kontrollgrenzen aus der Arbeitsanweisungsspezifikation abrufen, die Messwerte von den entsprechenden Geräten auslesen, diese vergleichen und entsprechend handeln. All dies in einem einzigen, koordinierten Workflow. Kein System wird ersetzt. Keine Kerninfrastruktur wird migriert. Das ERP verwaltet ERP die Daten, für deren Speicherung es konzipiert wurde; die Ausführungsplattform erfasst den Kontext an der Produktionsfront, für dessen Erfassung ERP nie ausgelegt ERP ; der Agent verbindet beide Systeme am Entscheidungspunkt.

McKinsey bezeichnete dies als die „große ERP zwischen KI-Agenten und ERP “. Die Erkenntnis lautet, dass diese Kluft durch Erweiterung und nicht durch Ersatz überbrückt wird. Plattformen wie Tulip dabei die Brücke.

Für IT-Architekten, die diese Entscheidung prüfen, lauten die relevanten Fragen:

Welche APIs stehen für die derzeit im Einsatz befindlichen ERP MES zur Verfügung?

Inwieweit sind die Daten, die diese Systeme bereitstellen, strukturiert?

Wie sieht eine geregelte Integration aus?

Das Hinzufügen einer Ebene, die auf Produktionssysteme zugreift und dort Daten schreibt, erfordert eine Sicherheitsüberprüfung und change management, auch wenn dies keine Neugestaltung des Kernstacks erfordert.

Tulip über Standard-APIs in SAP, Oracle, Historien-Systeme, SPSen und eine Reihe von MES Tulip . Die Integrationsarbeit ist real. Der Austausch der Infrastruktur hingegen nicht.

Der Unterschied zwischen der Beschreibung von Agenten und ihrer tatsächlichen Leistung im Betrieb wird in operativer Hinsicht deutlicher: Welcher Zustand hat den Agenten ausgelöst, was hat er getan und was wurde schließlich im Protokoll festgehalten? Nachfolgend finden Sie einige praktische Beispiele dafür, wie dies in der Praxis aussieht:

Maßnahmen bei Qualitätsabweichungen

Ein Bediener misst bei Arbeitsauftrag , Materialcharge TL-2209-A, drei aufeinanderfolgende Drehmomentwerte unterhalb der unteren Kontrollgrenze. Auf einer Linie ohne Mitarbeiter löst diese Messung eine Warnmeldung auf dem dashboard aus. Der Qualitätstechniker überprüft dies während des nächsten Überwachungszyklus, öffnet das MES, entscheidet über die Zurückhaltung der Charge, benachrichtigt den Bediener und versucht, die Reaktion in seinem QMSzu protokollieren. Die Zeit zwischen Erkennung und Eindämmung wird in Stunden gemessen. Der Prüfpfad, sofern vorhanden, wird aus E-Mails und Notizen zusammengestellt.

Bei der Weiterleitung an die Ausführungsebene identifiziert der Agent die letzte konforme Einheit anhand der Seriennummer. Er speichert die nachfolgenden Arbeitsaufträge, die von dieser Charge abhängen. Er leitet eine Nachbearbeitungsanweisung an die Schnittstelle des Qualitätstechnikers weiter, die bereits mit Seriennummern, Messwerten, dem Materialzertifikat und der Bediener-ID vorbelegt ist. Die Aktion des Agenten wird zusammen mit dem ursprünglichen Messwert im rückverfolgbaren Ausführungsprotokoll protokolliert. Wenn der Qualitätstechniker die Warteschlange aufruft, ist das Nachweispaket bereits dort vorhanden.

Die Reaktionszeit verkürzt sich von Stunden auf Minuten. Die Bestandsunterlagen müssen nicht neu erstellt werden.

NPI

Neues Produkt, 47-stufiger Montage , BOM gegenüber der vorherigen Revision. Die drei bisher getrennten Arbeitsanweisungen müssen vor der Erstmusterprüfung abgeglichen werden. Ohne entsprechende Tools erledigen die Prozessingenieure dies manuell: Sie vergleichen Revisionsverläufe, erstellen Schulungsunterlagen und decken Lücken erst während der Erstmusterprüfung auf, anstatt dies im Vorfeld zu tun.

Mit Hilfe eines Agenten werden die Abweichungen zwischen der neuen BOM der aktuellen Version der Arbeitsanweisung vor Produktionsbeginn ermittelt. Geänderte Arbeitsschritte werden zur Überprüfung und Genehmigung durch den Ingenieur angezeigt. Der aktualisierte, geführte Arbeitsablauf spiegelt die neue Version für Einheit 1 wider. Die Schulung der Bediener konzentriert sich auf die spezifischen geänderten Arbeitsschritte und nicht auf das gesamte 47-stufige Verfahren. Die rückverfolgbare Aufzeichnung darüber, welche Version der Arbeitsanweisung für welche Einheit maßgeblich war, wird beim Erstmuster erstellt und nicht rückwirkend.

Schichtübergabe

Drei offene Abweichungen. Zwei Maschinen mit Wartungshinweisen. Ein Arbeitsauftrag . Je nachdem, wie die Schicht verlaufen ist, kann es sein, dass der schriftliche Bericht des abgehenden Vorgesetzten nicht alle diese Punkte erfasst. Die ersten fünfzehn Minuten des ankommenden Vorgesetzten vergehen in der Regel damit, sich auf den neuesten Stand zu bringen, anstatt bereits Führungsaufgaben zu übernehmen.

Ein Mitarbeiter erstellt die Übergabe automatisch anhand der Ausführungsdaten: offene Abweichungen mit Status und Zeitstempel, Maschinenkennzeichen mit dem zuletzt bekannten Zustand, Produktionsstatus im Vergleich zum Plan. Der abgehende Vorgesetzte prüft und genehmigt diese. Der ankommende Vorgesetzte erhält eine strukturierte Zusammenfassung, bevor er die Produktionsstätte betritt. Offene Punkte gehen bei der Übergabe nicht verloren.

Erstellung von Validierungsunterlagen

Neue Anwendung, die für eine regulierte Produktionslinie in einer Medizinprodukte-Produktionsstätte entwickelt wurde. Vor der Bereitstellung ist GxP erforderlich. Ohne einen Agenten überprüft das Validierungsteam die Anwendungsstruktur manuell, dokumentiert den Verwendungszweck, ordnet Risikokontrollen zu und erstellt Testfälle. Je nach Komplexität der Anwendung dauert dies Tage bis Wochen.

Der Validierungsleitfaden-Generator Tulip analysiert die Anwendungsstruktur, gleicht sie mit GxP ab und erstellt automatisch einen Leitfadenentwurf. Das Validierungsteam prüft, passt an und genehmigt diesen. Der Schwerpunkt der Arbeit verlagert sich von der Erstellung der Dokumentation hin zu deren Überprüfung.

Die meisten Anbieter von agentenbasierter KI werden Ihnen versichern, dass ihr System speziell für die Fertigung entwickelt wurde. Anhand einiger Fragen lassen sich Plattformen, die für die Ausführungsebene konzipiert sind, von solchen unterscheiden, die für die Planung, Dokumentation oder allgemeine Prozessautomatisierung entwickelt wurden.

Wo ist der Agent im Systemstapel tätig? Ein Agent, der im ERP angesiedelt ist, ERP die Informationsgewinnung. Ein Agent, der auf der Ausführungsebene angesiedelt ist – dort, wo die Arbeit stattfindet, wo Prozessparameter erfasst und Bedienerschritte protokolliert werden –, kann den Ausführungszyklus schließen. Bitten Sie die Anbieter, ein konkretes Szenario für eine Qualitätsabweichung durchzuspielen: Wo bezieht der Agent seine Daten, welche Systeme werden dabei angesprochen, und was wird letztendlich im Protokoll festgehalten?

Welchen betrieblichen Kontext kann der Agent einsehen? Qualitätsentscheidungen in der diskreten Fertigung erfordern Materialchargendaten, Echtzeit-Prozessparameter, die Änderungshistorie von Arbeitsanweisungen sowie Ausführungsaufzeichnungen auf Bedienerebene. Wenn der Agent auf der Grundlage von ERP arbeitet, die nur einmal pro Nacht synchronisiert werden, stützt er sich auf eine Situation von gestern, die sich möglicherweise bereits in der letzten Stunde geändert hat. Erkundigen Sie sich, wie hoch die Datenverzögerung des Agenten ist und ob er auf Ausführungsaufzeichnungen aus der Produktion zugreifen kann.

Wie sieht das Governance-Modell in der Praxis aus? Jeder Anbieter kann einen „Human-in-the-Loop“-Ansatz beschreiben. Bitten Sie ihn, diesen zu demonstrieren. Kann Ihr Compliance-Team genau festlegen, wann Agenten autonom handeln und wann sie eine Eskalation vornehmen? Wird jede Entscheidung eines Agenten zusammen mit der auslösenden Bedingung und dem Ergebnis in einem Format protokolliert, das den Anforderungen einer behördlichen Überprüfung genügt? Kann ein Operator die Aktion eines Agenten vor Ort außer Kraft setzen? Wenn das Governance-Modell ein separates Portal zur Überprüfung erfordert, wird es in der Praxis ignoriert werden.

Sind dafür neue Infrastrukturen erforderlich, oder lässt sich das System an die bestehende Infrastruktur anbinden? Integrationsarbeiten sind unvermeidlich; ein kompletter Plattformwechsel ist jedoch eine ganz andere Sache. Bitten Sie die Anbieter, konkret darzulegen, welche APIs sie für die Anbindung an ERP MES verwenden, welche Anforderungen der Integrationsansatz mit sich bringt und wie das Wartungsmodell bei Aktualisierungen des zugrunde liegenden Unternehmenssystems aussieht.

Das sind keine Fangfragen. Es handelt sich um Fragen, die Ihr Compliance-Team vor jeder Produktivbereitstellung stellen wird, und Anbieter, die diese nicht klar beantworten können, senden Ihnen damit ein deutliches Signal.

Es wird prognostiziert, dass sich der Einsatz agentischer KI in der Fertigungsindustrie in den nächsten zwei Jahren vervierfachen wird. Der Großteil dieses Wachstums wird in Form von Pilotprojekten erfolgen.

Was Pilotprojekte von produktionsreifen Implementierungen unterscheidet, ist die Architektur: wo der Agent angesiedelt ist, welchen Kontext er einsehen kann, welches Governance-Modell seine Handlungen regelt und ob die von ihm erstellten Aufzeichnungen einer behördlichen Überprüfung standhalten können.

Die Ausführungsschicht ist der Ort, an dem die Antworten auf diese Fragen zu finden sind. Der von ihr verwaltete Kontextgraph, die standardmäßig erfassten Belege sowie das von ihr konfigurierte und durchgesetzte Governance-Modell mit menschlicher Einbindung. Dies sind die Voraussetzungen, unter denen autonomes Handeln vertretbar wird. Ohne sie sind Agenten lediglich ausgefeilte Warnsysteme mit zusätzlichen Schritten.

Die Composable AI Agents Tulip sind speziell für diese Umgebung konzipiert: Sie sind modular aufgebaut, transparent, von Grund auf auf den Einbezug des Menschen ausgelegt und arbeiten auf der operativen Ausführungsebene, wo die Arbeit und die entsprechenden Daten vorliegen.

Wenn Sie erfahren möchten, wie die Composable Agents Tulip diskreten Fertigungsunternehmen bei der Automatisierung ihrer Produktionsprozesse helfen, wenden Sie sich noch heute an einen unserer Mitarbeiter!