Viele Beispiele im Artikel stammen aus dem Finanzsektor. Können Sie konkrete Anwendungsfälle aus dem Maschinen- und Anlagenbau nennen, bei denen KI-gestützte Automatisierung bereits erfolgreich eingesetzt wird?

Stefan Bergstein: Die Branche ist ein Musterbeispiel für das Zusammenspiel aus KI und Automatisierung. Wir können hier eine ganze Reihe von richtungsgebenden Anwendungsfällen beobachten, zum Beispiel bei dem Thema der Predictive Maintenance. Dabei analysieren KI-Modelle Sensordaten und können etwa drohende Ausfälle oder Materialermüdung frühzeitig erkennen – und damit einen ungeplanten Stillstand vermeiden oder Service-Termine optimal einplanen. Eine entscheidende Rolle spielt KI mittlerweile auch in der Qualitätssicherung mittels Computer Vision, bei der Bilderkennungssysteme eine visuelle Inspektion von Bauteilen vornehmen. Ein großer Vorteil, denn sie spüren fehlerhafte Komponenten automatisiert auf und machen eine mühselige manuelle Inspektion überflüssig.

Erste Hersteller setzen KI außerdem zur Sicherheitsüberwachung ein, indem Mensch-Maschine-Interaktionen analysiert werden, um Unfälle zu verhindern. Darüber hinaus gibt es visionäre Ansätze wie agentenbasierte KI, die künftig ganze Produktionsprozesse eigenständig steuern könnte. Nicht zuletzt wird KI dank containerisierter MLOps-Lösungen zunehmend direkt an Edge-Geräten eingesetzt, was schnelle Updates und flexible Nutzung in hybriden IT/OT-Umgebungen ermöglicht. Diese Anwendungsfälle sind keine bloßen Zukunftsversprechen mehr, sondern in vielen Fällen bereits gelebte Praxis.

Welche konkreten KI-Methoden (z. B. Predictive Maintenance, Computer Vision, Reinforcement Learning) sehen Sie aktuell als besonders vielversprechend für industrielle Automatisierung?

Bergstein: Neben bereits erwähnten Methoden wie Predictive Maintenance oder Computer Vision gewinnen derzeit vor allem neue Ansätze an Bedeutung, die über die reine Überwachung und Fehlererkennung hinausgehen. Besonders spannend ist der Einsatz von Reinforcement Learning, bei dem lernende Agenten Steuerungsstrategien für komplexe Produktionssysteme optimieren und damit langfristig eine adaptive, teilweise autonome Fertigung sicherstellen. Ebenfalls interessant sind neue, KI-basierte Zeitreihenmodelle zur Anomalie-Erkennung: Sie identifizieren ungewöhnliche Muster in Sensordaten oder Prozessparametern und tragen so dazu bei, Abweichungen oder Sicherheitsrisiken frühzeitig sichtbar zu machen. Hinzu kommt der Trend zur Nutzung generativer KI in Form von Assistenzsystemen, etwa als Industrie-Co-Pilot, der Mitarbeitende bei der Programmierung und beim Troubleshooting unterstützt und so die Downtime reduziert.

Wie lässt sich KI-basierte Automatisierung praktisch in bestehende Automatisierungssysteme wie SPS, SCADA, MES oder Edge-Devices integrieren?

Bergstein: Diese Frage wird für viele Unternehmen ganz entscheidend sein. Ein zentrales Stichwort ist dabei Containerisierung: KI-Modelle können in Container-Images gepackt und flexibel auf Edge-Geräten, Gateways oder Produktionsservern ausgerollt werden – das sorgt für Skalierbarkeit und erleichtert Updates. Generell spielt das Edge Computing eine wichtige Rolle, weil Fertiger ihre KI-Modelle damit direkt vor Ort laufen lassen können – mit geringen Latenzen und ohne sensible Daten zwingend in die Cloud zu schicken.Eng damit verbunden ist die Virtualisierung von Steuerungen, etwa in Form Software-definierter PLCs, die Hardware und Software entkoppeln und so den Einsatz von KI-Services in klassischen Steuerungsumgebungen vereinfachen. 

Praktisch wird KI zudem oftmals über bestehende MES-Systeme angebunden, sodass Qualitätsprognosen oder Optimierungsvorschläge unmittelbar in die Produktionslogik einfließen können. Daneben gewinnen auch offene Schnittstellen wie OPC UA (Open Platform Communications Unified Architecture) an Bedeutung, da sie eine flexible Datenintegration erlauben und damit verhindern, dass Unternehmen ihre Systeme komplett erneuern müssen. Auf diese Weise entwickelt sich KI Schritt für Schritt vom separaten Tool zum festen Bestandteil der Automatisierungsumgebung.

Abgesehen von der DORA-Verordnung – welche relevanten Normen und Richtlinien (z.B. IEC 62443, ISO 9001, Maschinenrichtlinie, EU AI Act) sollten Unternehmen aus der industriellen Automatisierung im Blick haben?

Bergstein: Zentral bleiben weiterhin die klassischen Anforderungen der Maschinenrichtlinie und -verordnung sowie Normen zur Sicherheit wie IEC 61508 oder IEC 62061. Auf der IT- und Cybersicherheitsseite sind vor allem IEC 62443, ISO 27001 und NIS 2 relevant, ergänzt durch Vorgaben wie den Cyber Resilience Act oder die altbekannte DSGVO. Hinzu kommt das Qualitätsmanagement, bei dem ISO 9001 sowie ISO/IEC 42001 als erste Norm für KI-Managementsysteme eine Rolle spielen. Mehr in den Fokus rücken seit einiger Zeit aber auch die Bereiche Nachhaltigkeit und Energieeffizienz, vor allem ISO 50001 sowie ISO 14001, und Fragen der ethischen Governance – allen voran der EU AI Act oder die IEEE-Standards. Kurz gesagt: Gefordert ist ein mehrschichtiges Compliance-Portfolio, das Sicherheit, Resilienz, Qualität, Nachhaltigkeit und Ethik gleichermaßen abdeckt.

Können Sie Beispiele oder Kennzahlen nennen, wie sich durch KI-gestützte Automatisierung Effizienz, Produktqualität oder Anlagensicherheit nachweislich verbessert haben?

Bergstein: Konkrete Zahlen zu ROIs liegen bislang noch kaum vor, da sich viele Projekte noch im Roll-out befinden oder erst seit kurzer Zeit in Betrieb sind. Deutlich sichtbar sind aber qualitative Effekte: Neben Predictive Maintenance und Computer Vision sorgen vor allem Software-definierte Fertigungsumgebungen für Effizienzgewinne – Updates laufen zentral und automatisiert statt manuell über einzelne Controller. Generative KI-Assistenten und Co-Piloten verkürzen zudem Troubleshooting-Zeiten spürbar, weil Maschinendaten und Logfiles kontextbezogen aufbereitet werden. Und durch die stärkere IT/OT-Konvergenz, etwa mit containerisierten Plattformen, werden Betrieb und Sicherheit insgesamt schlanker und verlässlicher.

Welche konkreten Maßnahmen helfen produzierenden Unternehmen, ihre betriebliche Resilienz mithilfe von Automatisierung zu steigern – gerade bei Lieferkettenproblemen oder Energieengpässen?

Bergstein: Gerade wenn Lieferketten ins Stocken geraten oder die Energie zum Engpass wird, zeigt sich die Stärke moderner Automatisierung. Nicht nur in der Effizienz, sondern vor allem in ihrer Anpassungsfähigkeit. Ein zentraler Hebel sind KI-gestützte Simulationen: Sie ermöglichen es, alternative Produktionsszenarien durchzuspielen, also etwa mit anderen Zulieferteilen oder veränderten Energieprofilen. Damit sind sie in der Lage, schnell belastbare Entscheidungen zu treffen. Gleichzeitig sorgt die Integration von Edge-KI für einen hohen Grad an Resilienz, weil Prozesse lokal analysiert und gesteuert werden können, selbst wenn die Cloud oder zentrale Systeme nicht verfügbar sind.

Wir sehen aber auch, dass das Thema Lifecycle-Management immer wichtiger wird. Standardisierte Plattformen für Updates, Patching und Security reduzieren operative Risiken und verhindern, dass Krisen durch veraltete Systeme noch verschärft werden. In Summe entsteht so eine Produktionsumgebung, die auch unter schwierigen äußeren Bedingungen stabil bleibt und Handlungsspielräume sichert.

Inwiefern kann KI-gestützte Automatisierung Ingenieure und Techniker im Produktionsumfeld konkret entlasten – z. B. bei Inbetriebnahmen, Wartung oder Fehlerdiagnosen?

Bergstein: Hier schaffen vor allem Standardisierungen echte Abhilfe. Das gilt nicht nur für Inbetriebnahmen, sondern auch für Updates, die sonst manuell eingespielt werden müssten. Automatisierungs-Frameworks in Kombination mit KI übernehmen dabei auch das Konfigurationsmanagement und Patching, wodurch weniger Handarbeit anfällt und Fehlerquellen minimiert werden. Auch physische Eingriffe vor Ort sind seltener nötig. Mit virtuellen Steuerungen oder containerisierten Systemen können Anpassungen remote eingespielt und neue Funktionen ohne Stillstand ausgerollt werden.

Selbst monotone Aufgaben wie Sichtprüfungen oder Standardwartungen lassen sich zunehmend an KI-Systeme auslagern – Ingenieure können ihre Expertise damit noch öfter dort einsetzen, wo sie wirklich gebraucht wird: bei komplexen Entscheidungen und der Weiterentwicklung von Prozessen.

Wie lassen sich in industriellen Umgebungen Sicherheitsrichtlinien und Cybersecurity-Anforderungen durch Automatisierung nicht nur einhalten, sondern auch proaktiv verbessern?

Bergstein: Es stimmt, die Sicherheit in der Industrie darf nicht mehr nur reaktiv verstanden werden – und genau hier spielt die Automatisierung ihre Stärken aus. Statt mühselig manuell zu patchen oder Konfigurationen händisch abzustimmen, können Unternehmen mit Frameworks oder Ansätzen wie GitOps Sicherheitsrichtlinien zentral definieren und durchsetzen. Das reduziert nicht nur menschliche Fehler, sondern sorgt auch dafür, dass Systeme lückenlos auf einem aktuellen Stand bleiben – ein entscheidender Schritt, um Angriffsflächen gar nicht erst entstehen zu lassen.

Hinzu kommt, dass KI-gestützte Anomalie-Erkennung weit über klassisches Monitoring hinausgeht: verdächtige Muster in Netzwerk- oder Prozessdaten lassen sich in Echtzeit erkennen, und Gegenmaßnahmen können automatisch angestoßen werden. Auf diese Weise wird Sicherheit dynamisch statt statisch: Ein lernendes System, das sich an neue Bedrohungen anpasst.

Wo sehen Sie in den nächsten drei bis fünf Jahren die größten technologischen Sprünge in der Verbindung von KI und industrieller Automatisierung?

Bergstein: Wenn wir nach vorne schauen, sehe ich vor allem einen Paradigmenwechsel bei der Rolle von KI in der Produktion. Heute testen wir noch viele einzelne Pilotprojekte, in Zukunft wird Generative KI zum festen Bestandteil im Alltag der Ingenieure und Maschinenbediener. Wir sprechen dann nicht mehr über ein separates Tool, sondern über einen Industrie-Co-Piloten, der Logfiles analysiert, Fehlerdiagnosen unterstützt und sogar bei der Programmierung hilft – und das alles über eine natürliche Sprachschnittstelle.

Ein zweiter großer Sprung wird agentenbasierte KI sein. Hier entstehen Systeme, die Produktionsprozesse eigenständig überwachen, Anomalien erkennen und erste Gegenmaßnahmen einleiten können. Das klingt futuristisch, aber die Richtung ist klar: Produktionslinien werden zunehmend selbstoptimierend, und die Rolle des Menschen verschiebt sich von der Bedienung hin zur übergeordneten Steuerung.

Und schließlich wird MLOps in der Fertigung zum neuen Standard. Das heißt: KI-Modelle laufen nicht mehr isoliert, sondern werden genauso robust gemanagt, versioniert und ausgerollt wie klassische Software. Damit wird es möglich, Innovation schnell und sicher in den Shopfloor zu bringen – ohne jedes Mal ein Risiko für die Stabilität der Produktion einzugehen.