Interview: Wie verändert physische KI die Fertigung?

Einblicke und Learnings aus der Manufacturing Practice

Physische KI in der Fertigung klingt nach Robotern, die Fließbandarbeit automatisieren. Tatsächlich beginnt sie aber woanders: in der Planung.

KI-basierte Systeme, die über Sensoren wahrnehmen, Werte in Echtzeit verarbeiten und deutlich mehr Informationen einbeziehen als klassische Planungssoftware, orchestrieren Produktionsabläufe, entscheiden und handeln, statt Aktionen nur vorzubereiten.

Wo physische KI in Fertigungsunternehmen bereits im Einsatz ist, was funktioniert und wie der Schritt zu dieser neuen Generation von Planungssystemen gelingt, erklärt Dr. David Holtkemper, Principal Supply Chain Consultant bei valantic, im Interview mit Darya Basarhina, Vice President Sales & Manufacturing Practice Lead, valantic.

Agentic AI als Katalysator für physische KI in der Fertigung

David, viele Fertigungsunternehmen experimentieren bereits mit Agentic AI. Was unterscheidet Agenten und physische KI von der Automatisierung, die wir in der Fertigung schon lange kennen?

Klassische Automatisierung folgt festen Regeln. Eine Anlage macht Schritt A, dann Schritt B, immer in derselben Reihenfolge. Ein Agent bewertet dagegen laufend neue Informationen und passt seine Entscheidung an. Wenn ein Lieferant später liefert oder eine Maschine einen Wartungsbedarf meldet, plant der Agent die Produktionsreihenfolge selbstständig um. Die Logik reagiert auf die Situation, nicht auf ein starres Skript.

Worum geht es dann konkret, wenn wir von physischer KI in der Fertigung sprechen?

Der Begriff klingt oft so, als würde der Agent direkt in der Maschine sitzen. Treffender ist: Es entstehen neuartige Planungssysteme, die deutlich mehr Informationen verarbeiten als ein klassisches MES oder bisherige APS-Software, darunter Sensordaten und Statuswerte direkt vom Shopfloor. Auf dieser Basis schlägt das System eine Aktion vor.

Meldet zum Beispiel ein Sensor Verschleiß oder Wartungsbedarf an einer Maschine, empfiehlt das System einen vorgezogenen Werkzeugwechsel, passt die Drehzahl an oder stoppt die Linie, bevor Ausschuss oder ein Stillstand entsteht. Der Mensch bleibt Aufsicht und gibt die Grenzen vor, innerhalb derer das System selbstständig handeln darf.

Wie sorgt ihr dafür, dass Mensch und Agent nicht gegeneinander arbeiten? Wer hat am Ende das letzte Wort?

Über klare Entscheidungsrechte, die vor dem produktiven Start feststehen, nicht danach. Der Agent darf beispielsweise die Produktionsreihenfolge innerhalb eines definierten Toleranzbereichs anpassen, bei einer sicherheitsrelevanten Anlagenabschaltung braucht es hingegen immer die Freigabe der Schichtleitung. Sie behält das Vetorecht. Für jeden Anwendungsfall legen wir fest, in welchem Rahmen der Agent selbstständig handeln darf und ab welcher Schwelle ein Mensch eingebunden wird.

Erprobt, aber nicht skaliert: Physische KI zwischen Testlauf und Betrieb

Wo stehen Fertigungsunternehmen aktuell? Ist physische KI noch Zukunftsmusik oder schon Praxis?

Keine Zukunftsmusik, aber auch noch kein Standard. Die ersten Fertigungsunternehmen haben KI-Piloten in den produktiven Regelbetrieb überführt, häufig für Predictive Maintenance oder die Qualitätskontrolle. Diese Use Cases sind gut erprobt, Testphasen abgeschlossen, die Piloten laufen zuverlässig. Was den meisten jetzt bevorsteht, ist der Sprung von Einzellösungen zum produktiven Betriebsmodell über mehrere Anlagen und Standorte hinweg.

Laut unserer Studie „AI at Scale 2026“ mit dem Handelsblatt Research Institute experimentiert fast die Hälfte der Fertigungsunternehmen noch in isolierten Projekten. Gleichzeitig rechnen knapp 80 Prozent damit, ohne KI in ihren Kernprozessen bis 2030 an Wettbewerbsfähigkeit zu verlieren. Aus meiner Sicht entscheidet jetzt Geschwindigkeit im Übergang zu skalierbaren Modellen über langfristige Wettbewerbsvorteile.

Was unterschätzen Unternehmen in diesem Schritt am meisten?

Zwei Dinge: zum einen die organisatorische Seite. Ein Agent, der Produktionsreihenfolgen anpasst, verändert auch Verantwortlichkeiten auf dem Shopfloor. Das lässt sich nicht nebenbei regeln. Wenn zum Beispiel unklar ist, wer bei einem vorgezogenen Auftrag die Entscheidung trifft – der Agent oder die Schichtleitung –, bleibt die Technologie ungenutzt.

Der zweite Aspekt betrifft die Daten, allerdings anders, als die meisten denken: Stammdatenqualität halte ich für kein echtes Hindernis mehr. Mittlerweile gleichen KI-Systeme Inkonsistenzen weitgehend selbst aus. Wichtiger ist: Existieren die Daten in historisierter Form und gibt es Schnittstellen, über die ein KI-Agent Zugriff bekommt? Ist das nicht der Fall, sieht und verarbeitet das System nur einen Bruchteil der Realität.

Ein Anwendungsfall, ein Praxisbeispiel: Wie KI in der Fertigung wirkt

Was empfiehlst du Unternehmen, die noch mit ihrem ersten KI-Piloten zögern?

Für den Einstieg würde ich immer einen einzelnen, gut messbaren Use Case wählen, zum Beispiel Predictive Maintenance an einer Anlage. Wir erleben oft, dass Unternehmen fünf Piloten gleichzeitig aufsetzen, aber keine Anwendung konsequent weiterentwickeln und über die Demo hinaus implementieren. Stehen hinter dem Anwendungsfall nachvollziehbare Kennzahlen, werden Effekte und Fortschritte sichtbar. Das fördert Akzeptanz und Vertrauen in die Technologie. Gleichzeitig schafft es einen Referenzpunkt, an dem die nächsten Schritte ausgerichtet werden können.

Hast du ein Beispiel, wie KI-gestützte Produktionsplanung in der Praxis funktioniert?

Da fällt mir als erstes Everllence ein, vielen besser bekannt unter dem früheren Markennamen MAN Energy Solutions. Das Unternehmen setzt seit über einem Jahrzehnt unser APS-System wayRTS ein. Auf dieser Basis haben wir zuletzt die Produktionsplanung am Standort Zürich umgestellt und um KI-gestützte Automatisierung erweitert. Das System gleicht in Echtzeit Kapazitäten und Ressourcen ab, erkennt Verzögerungen, macht Vorschläge und setzt Prioritäten für unterschiedliche Planungshorizonte. Perspektivisch kann das KI-System auch Rückstände automatisch bereinigen und ganze Versorgungsnetze neu berechnen. Aus solider, aber reaktiver Planung wurde vorausschauende Steuerung, ohne dass ein Mensch jede Anpassung einzeln freigeben muss.

Ein Ausblick zum Abschluss: Was denkst du, wie weit physische KI in der Fertigung 2030 sein wird?

Ich bin überzeugt, dass physische KI mit Agenten ein alltägliches Werkzeug im Produktionsbetrieb sein wird, ähnlich wie heute ein MES. Unternehmen, die jetzt nicht nur ihre Datenbasis nutzbar machen, sondern auch in ihre Organisation, Governance und Kompetenzen der Mitarbeitenden investieren, sind einen großen Schritt voraus und können aus meiner Sicht langfristig einen wertvollen Wettbewerbsvorteil erreichen.

Vielen Dank für deine Einschätzung und Empfehlungen, David!