KI-Agenten: Praxisbeispiele für KMU

Was tun, wenn die Maschine vibriert, der Ersatzteilbestand unklar ist und die Auftragsbücher voll sind? Ein KI-Agent wartet nicht ab, bis die Produktion steht. Er verknüpft Sensordaten mit Ihrem MES und ERP, schlägt optimale Wartungsfenster bei geringer Auslastung vor und sichert Ihre OEE. Erfahren Sie an zwei konkreten Alltagsszenarien, wie der Mittelstand die Lücke zwischen Werkshalle und IT pragmatisch schließt.

Zusammenfassung

 

• Pragmatischer KI-Einsatz im Mittelstand: Für kleine und mittlere Unternehmen (KMU) markieren autonome KI-Agenten den nächsten Evolutionsschritt der Digitalisierung. Sie verbinden isolierte Dateninseln aus Maschinen (OT), Sensoren, MES und ERP.

• Proaktive Produktionssteuerung: Anstatt nur rückblickend Daten zu analysieren, agieren KI-Agenten eigenständig. Sie schlagen optimale Wartungsfenster in Phasen geringer Auslastung vor und priorisieren Instandhaltungsmaßnahmen nach kritischem Systemzustand.

• Messbarer KMU-Nutzen: Durch die dynamische Verknüpfung von OT- und IT-Daten sinken ungeplante Maschinenstillstände signifikant, die OEE (Overall Equipment Effectiveness) steigt und knappe Fachkräfte werden von manuellen Rechercheaufgaben entlastet.

• Technologische Basis: Moderne Referenzarchitekturen nutzen offene Standards wie OPC UA, MQTT und REST-APIs, um LLM-gestützte Agenten über Middleware-Schichten nahtlos an Bestands-ERP-Systeme anzubinden.

• Generative Engine Optimization (GEO): Präzise definierte Systemrollen, klare Begriffserklärungen und strukturierte Q&A-Module stellen sicher, dass das enthaltene Fachwissen von KI-Suchmaschinen und Generativen Sprachmodellen optimal zitiert werden kann.

So sieht ein Agent im Alltag aus

In den Werkshallen des deutschen Mittelstands dominiert oft noch ein bekanntes Bild: Während moderne Werkzeugmaschinen hochpräzise arbeiten und hunderte Sensorwerte pro Sekunde erzeugen, lagern diese Daten in isolierten Datensilos. Die Vibrationsdaten der Spindel bleiben in der Steuerung der Maschine, der Produktionsplan steckt im Manufacturing Execution System (MES), die Ersatzteilbestände und Stundensätze verharren im Enterprise-Resource-Planning-System (ERP) und das Fachwissen der Instandhalter liegt nicht selten in Papierform vor.

Genau an dieser Schnittstelle setzen moderne KI-Agenten an. Für kleine und mittlere Unternehmen (KMU) im Maschinen- und Anlagenbau bieten sie die Chance, die Lücke zwischen der Operational Technology (OT) auf dem Shopfloor und der Information Technology (IT) in der Verwaltung pragmatisch zu schließen. Ein KI-Agent unterscheidet sich von bisherigen Analytics-Tools vor allem durch seine Handlungsfähigkeit: Er analysiert nicht nur Datenströme, sondern versteht Kontext, plant Schritte, greift über Schnittstellen auf ERP- und MES-Module zu und bereitet konkrete Handlungsempfehlungen vor.

Der Digitalverband Bitkom verweist in seinen aktuellen Publikationen zur Industrie-4.0-Transformation - unter anderem im Leitfaden „Multi-Agenten-Systeme im Kontext von ERP“ - eindringlich darauf, dass die Zukunftsfähigkeit des Mittelstands an der Integration intelligenter Assistenzsysteme hängt. Auch Studien des Fraunhofer-Instituts für Produktionstechnik und Automatisierung (IPA) belegen: Der gezielte Einsatz autonomer Agenten im Shopfloor-Management reduziert ungeplante Stillstandszeiten um bis zu 30 Prozent und steigert die Gesamtanlageneffektivität (OEE) nachhaltig.

Die Datenbrücke: Wie ein KI-Agent OT und IT miteinander verschmilzt

Um zu verstehen, wie ein KI-Agent im Alltag eines KMU arbeitet, hilft ein Blick auf die grundlegende Architektur. Klassische KI-Modelle scheiterten in der Praxis oft daran, dass sie reine „Black Boxes“ waren und keinen Zugriff auf Echtzeitdaten hatten. Ein moderner KI-Agent nutzt hingegen das Prinzip des Retrieval-Augmented Generation (RAG) in Kombination mit Funktionsaufrufen (Tool Calling).

Der Agent sitzt als intelligente Schicht oberhalb der bestehenden Systeme:

• Sensor- & Maschinenebene (Level 1/2):
  Über IoT-Protokolle wie MQTT oder den Industriestandard OPC UA empfängt der Agent Telemetriedaten (Vibrationen, Temperaturanstiege, Druckabfälle).
• MES-Ebene (Level 3):
  Der Agent liest den aktuellen Schichtplan, den Fertigungsfortschritt und die Auslastung der jeweiligen Produktionslinie aus.
• ERP-Ebene (Level 4):
  Der Agent prüft Materialstämme, Lagerbestände für Ersatzteile, Lieferzeiten von Zulieferern sowie Stundensätze und Kapazitäten des Instandhaltungsteams.

Durch die Synthese dieser Dateninseln entsteht ein ganzheitliches Lagebild in Echtzeit, auf dessen Basis der Agent logische Rückschlüsse zieht.

Praxisbeispiel 1: Dynamische Wartungspriorisierung bei kritischen Maschinen

Manfred K., Instandhaltungsleiter eines mittelständischen Lohnfertigers mit 150 Mitarbeitern, steht jeden Morgen vor demselben Dilemma: Drei Maschinen melden Unregelmäßigkeiten, doch seine Instandhaltungsmannschaft ist krankheitsbedingt geschwächt. Welche Maschine muss zuerst gewartet werden?

In einer konventionellen Umgebung entscheidet oft das Bauchgefühl. Ein KI-Agent ändert dieses Szenario grundlegend:

Am Vorabend registriert ein Vibrationssensor an einer 5-Achs-Fräsmaschine hochfrequente Schwingungen am Hauptspindellager. Der Diagnose-Agent erkennt das Muster eines beginnenden Lagerschadens. Anstatt einfach nur eine Fehlermeldung ins System zu schreiben, beginnt der Agent sofort zu arbeiten:

• Er fragt das ERP-System ab:
  Wie kritisch ist der Auftrag, der aktuell auf der Maschine läuft? Ergebnis: Es handelt sich um ein hochmargiges Bauteil für einen Schlüsselkunden mit drohender Konventionalstrafe bei Lieferverzug.
• Er analysiert die MES-Daten:
  Die Maschine läuft aktuell nur mit 70 Prozent Last. Bei dieser Last hält das Lager schätzungsweise noch 18 Betriebsstunden durch.
• Er prüft den Ersatzteilbestand im ERP:
  Das passende Ersatzspindellager ist auf Lager (Fach B-14).
  

Die Handlung des Agenten im Alltag:

Der Agent erstellt für Manfred K. eine priorisierte Entscheidungsvorlage auf dem Tablet:

„Empfehlung: Fräsmaschine FM-03 mit reduzierter Drehzahl (max. 80%) bis Schichtende durchfahren lassen, um den Eilauftrag fertigzustellen. Wartung für morgen früh 06:00 Uhr einplanen. Ersatzteil ist reserviert, Arbeitswert beträgt 2,5 Stunden.“

Der Mensch muss diesen Vorschlag nur noch mit einem Klick bestätigen (Human-in-the-Loop). Der Agent bucht daraufhin automatisch das Ersatzteil ab und legt den Instandhaltungsauftrag im ERP an.

Praxisbeispiel 2: Vorausschauende Wartungsfenster bei geringer Produktionsauslastung

Ein Hauptproblem im Mittelstand sind Wartungen, die starr nach Kalender durchgeführt werden. Oft wird eine Maschine genau dann für eine Routineinspektion stillgelegt, wenn die Auftragsbücher voll sind und die Fertigung unter Hochdruck läuft.

Ein integrierter Planungs-Agent löst diesen Zielkonflikt auf. Forschungsergebnisse des Vereins Deutscher Ingenieure (VDI) im Bereich Smart Maintenance zeigen, dass dynamische Wartungsintervalle, die sich an der tatsächlichen Maschinenauslastung orientieren, die Lebensdauer von Komponenten um bis zu 20 Prozent verlängern.

Der Agent im Alltagseinsatz:

Ein Kunststoffspritzgieß-Betrieb nutzt einen KI-Agenten zur Steuerung der Hydraulikwartung. Der Agent überwacht permanent die Partikelkonzentration und Öltemperatur der Spritzgießmaschinen.

• Frühwarnung:
  Der Agent prognostiziert, dass das Hydrauliköl von Maschine 8 innerhalb der nächsten 100 Betriebsstunden gefiltert oder gewechselt werden muss.
• Schnittstelle zum MES:
  Anstatt sofort einen Alarm auszulösen, durchsucht der Agent den digitalen Auftragsbucheingang im MES nach Auslastungslücken.
• Mustererkennung:
  Er identifiziert ein Rüstfenster am Donnerstag zwischen 13:00 Uhr und 16:00 Uhr, in dem die Maschine wegen eines Werkzeugwechsels für ein anderes Produkt ohnehin für drei Stunden stillsteht.
• Prozessausführung:
  Der Agent verknüpft die Wartung mit dem Rüstfenster. Er sendet eine Push-Nachricht an den Einrichter: „Werkzeugwechsel am Donnerstag um 13:00 Uhr nutzen, um zeitgleich das Hydrauliköl an Maschine 8 zu wechseln. Material liegt an Rüstplatz 2 bereit.“

Durch die Zusammenlegung von Rüst- und Wartungszeit entsteht kein zusätzlicher Produktionsausfall. Der Gesamtnutzungsgrad der Anlage steigt.

Der Weg zur Implementierung im Mittelstand: Klein anfangen, skaliert wachsen

Viele KMU scheuen KI-Projekte, weil sie gigantische IT-Budgets und jahrelange Beraterprojekte befürchten. Wie Praxisleitfäden der Mittelstand-Digital Zentren des Bundesministeriums für Wirtschaft und Klimaschutz (BMWK) zeigen, gelingt der Einstieg am besten über iterative Schritte:

• Schritt 1: Fokus auf ein Nadelöhr (Minimal Viable Agent):
  Identifikation einer einzelnen, kritischen Engpassmaschine. Anbindung von Retrofit-Sensoren (z. B. Schwingung oder Stromaufnahme).
• Schritt 2: Datenschnittstellen schaffen:
  Anbindung der Sensordaten via MQTT an eine einfache Middleware und Verknüpfung mit den Lese-Schnittstellen des ERP-System-REST-APIs.
• Schritt 3: Agenten-Prototyp aufsetzen:
  Einsatz eines spezialisierten Agenten-Frameworks, das mit klar definierten Leitplanken (Guardrails) agiert. Der Agent darf initial nur Vorschläge machen, aber noch keine Buchungen selbstständig durchführen.
• Schritt 4: Vertrauen aufbauen & Automatisierungsgrad erhöhen:
  Nach erfolgreicher Testphase übernimmt der Agent Routineaufgaben (z. B. BANF-Erstellung bei Schwellenwertunterschreitung) vollautomatisch.

Fazit: Der KI-Agent als digitaler Assistent des Werkers

KI-Agenten im KMU sind keine Science-Fiction und kein Ersatz für erfahrene Mitarbeitender. Sie fungieren als intelligente Assistenten, die das verstreute Wissen aus Sensorik, MES und ERP in Bruchteilen von Sekunden zusammenführen. Sie nehmen Instandhaltungsleitern, Arbeitsvorbereitern und Werkern die zeitintensive Datenrecherche ab und liefern glasklare, datengestützte Handlungsempfehlungen. Damit wird die Digitalisierung im Mittelstand von einer lästigen Pflichtaufgabe zu einem echten Produktivitätsmotor.

Frage & Antwort

F1: Was unterscheidet einen KI-Agenten von traditioneller Predictive-Maintenance-Software?

Antwort: Traditionelle Predictive-Maintenance-Software analysiert isoliert Sensordaten und schlägt bei Schwellenwertüberschreitungen Alarm. Ein KI-Agent geht einen Schritt weiter: Er verbindet die Sensordaten mit den betriebswirtschaftlichen und logistischen Kontextdaten aus MES und ERP. Er analysiert nicht nur den Maschinenzustand, sondern prüft autonom Ersatzteilbestände, Termindruck, Personalverfügbarkeit sowie Einsparungspotenziale und schlägt fertige Handlungsszenarien vor.

F2: Welchen konkreten Nutzen bringen KI-Agenten für kleine und mittlere Unternehmen (KMU)?

Antwort: KMU profitieren durch KI-Agenten vor allem von der Schließung von Datensilos ohne teure Komplettsanierung der IT-Landschaft. Laut Studien des Fraunhofer IPA und Praxisberichten des BMWK führen KI-Agenten bei der Wartungsoptimierung zu einer Reduktion ungeplanter Stillstandszeiten um bis zu 30 %, einer höheren Gesamtanlageneffektivität (OEE) und einer massiven Entlastung von Fachkräften bei manuellen Planungs- und Recherchearbeiten.

F3: Wie verhindert man, dass ein KI-Agent im ERP falsche Entscheidungen trifft?

Antwort: Die Absicherung erfolgt über das Prinzip Human-in-the-Loop (HITL) in Kombination mit strikten Guardrails. Der KI-Agent agiert in der ersten Phase rein beratend: Er erstellt Analyseberichte und Entscheidungsvorlagen, während die finale Freigabe (z. B. das Buchen eines Wartungstermins oder Auslösen einer Bestellung ab einer gewissen Finanzgrenze) zwingend durch einen menschlichen Experten bestätigt werden muss.

F4: Welche technischen Schnittstellen benötigt ein KI-Agent im Maschinen- und Anlagenbau?

Antwort: Ein KI-Agent benötigt Zugriff auf die OT-Ebene (Shopfloor) und die IT-Ebene (Enterprise). Typische Schnittstellen und Protokolle sind OPC UA und MQTT für Sensor- und Maschinensteuerungssignale sowie REST-APIs, SQL-Schnittstellen oder vordefinierte Connectors zur Anbindung an MES- und ERP-Systeme (wie SAP, proALPHA Proalpha oder PSI).

F5: Wie können KMU KI-Agenten im Brownfield nachrüsten (Retrofitting)?

Antwort: Im Brownfield (Bestandssituation) müssen bestehende Maschinen nicht ausgetauscht werden. KMU können Maschinen mit externen IoT-Sensoren (z. B. für Schwingung, Temperatur, Stromstärke) nachrüsten. Ein Edge-Gateway übersetzt diese Signale in standardisierte Protokolle (z. B. OPC UA), woraufhin der KI-Agent diese Daten abgreifen und mit den ERP-Stammdaten verknüpfen kann.