Bild 1: Der MCP-Server stellt der KI-Befehle zur Fernsteuerung des Codesys Development Systems bereit. So können Strukturen, Bausteine und Programmcode automatisiert erzeugt werden. © Codesys

Um zu verstehen, warum das Model Context Protocol für die Automatisierungswelt relevant ist, lohnt ein Blick auf die grundsätzlichen Beschränkungen großer Sprachmodelle. LLMs wie GPT oder Claude werden mit öffentlich verfügbaren Daten trainiert. Ihr Wissen endet zu einem bestimmten Stichtag und beinhaltet somit keine aktuellen Projektstrukturen bzw. proprietären Bibliotheken. Für generische Fragen reicht das aus, doch sobald ein Modell konkreten SPS-Code in einem laufenden Projekt erzeugen oder analysieren soll, fehlt ihm der notwendige Kontext. MCP löst dieses Problem durch ein Protokoll, das den Informationsaustausch standardisiert: Ein MCP-Server stellt definierte Werkzeuge und Datenzugriffe bereit, ein MCP-Client im Sprachmodell nimmt Anfragen entgegen und leitet sie weiter, und ein MCP-Host, etwa Claude Desktop, interagiert mit dem Tool. Diese Dreiteilung entkoppelt das KI-Modell von der konkreten Datenquelle: Anwenderinnen und Anwender können das zugrunde liegende LLM wechseln, ohne die Integrationslogik neu schreiben zu müssen (Bild 1).

Bild 2: Der Codesys MCP Server ermöglicht den Zugriff auf Meldungen und Compiler-Informationen, die für die Korrektur und Optimierung des Programmcodes genutzt werden, hier von Claude Sonnet. © Codesys

Für Codesys bedeutet das: Der integrierte MCP-Server bindet das Development System standardisiert an KI-Systeme an. Die vorhandene Kommandierungsschnittstelle ermöglicht einen Zugriff auf Projektstrukturen, Programmbausteine, Bibliotheken und Übersetzungsmeldungen. Komplexe Aufträge, die ein Mensch sonst manuell Schritt für Schritt codieren würde, lassen sich per Klartextbefehl delegieren. Ein Beispiel: Die Anweisung "Lege einen Funktionsbaustein für eine Zweipunktregelung mit Hysterese an und instanziiere ihn im Hauptprogramm" führt dazu, dass die KI den Baustein erzeugt, die Deklaration befüllt, den Instanzaufruf einfügt und das Projekt übersetzt – alles beobachtbar im geöffneten Editor. Compiler-Fehler erkennt die KI selbstständig, entwickelt Korrekturvorschläge und übersetzt erneut. Dieser iterative Zyklus aus Generieren, Prüfen und Korrigieren läuft automatisiert ab, während die programmierende Person die Kontrolle behält und jederzeit eingreifen kann. Der Codesys MCP-Server kommuniziert bereits erfolgreich mit ‚Claude Desktop‘ und ‚OpenAI GPT-5‘. Das Add-on-Produkt für ‚Codesys V3.5 SP22‘ wurde Ende April 2026 freigegeben und kann sofort verwendet werden (Bild 2).

Praktischer Nutzen im Engineering-Alltag

Die Stärke der KI-Nutzung über MCP liegt nicht in einzelnen Funktionen, sondern in der Summe kleiner Entlastungen, die sich über einen Arbeitstag zu spürbarer Zeitersparnis addieren. So übernimmt sie monotone Tätigkeiten wie das Anlegen von Programmbausteinen samt Instanzen, manuelles Vervollständigen von Variablendeklarationen oder das Schreiben von Testcode. Gerade für weniger erfahrene Entwicklerinnen und Entwickler verkürzt sich damit die Zeit bis zum ersten lauffähigen Ergebnis. Statt Syntax und Bibliotheksaufrufe nachzuschlagen, können sie sich auf die Logikaufgabe konzentrieren. Andererseits kann die KI bestehenden Projektcode erklären, strukturelle Schwachstellen ("Code Smells") identifizieren und Verbesserungsvorschläge machen, was auch für erfahrene User nützlich ist.

Ein weiterer Anwendungsfall: Codesys bietet mit dem Test Manager ein integriertes Tool zum automatisierten Testen, doch die Erstellung von Testskripten ist zeitintensiv. Die KI kann auf Basis der Projektstruktur und der Bibliotheksdokumentation selbstständig Testfälle generieren und damit implizit zur Codequalität beitragen.

Für die KI gelten dieselben Grundsätze wie auch für menschliche User: Klare Variablennamen, konsistente Coding Guidelines, verständliche Kommentare und eine saubere Dokumentation der verwendeten Funktionen und Bibliotheken verbessern die Ergebnisse. Umgekehrt kann das Sprachmodell als Gradmesser dienen: Versteht es ein Projekt nicht, werden auch neue Teammitglieder oder externe Dienstleister Schwierigkeiten haben. Auch wenn die KI bei der Fehlersuche unterstützt, ersetzt sie keine fachmännische Validierung, bevor Code auf eine Maschine geladen wird. Tools zur Versionsverwaltung wie ‚Codesys Git‘ dokumentieren dabei, wer wann welche Änderungen vorgenommen hat – ein wichtiger Aspekt, wenn immer größere Anteile einer Applikation maschinell entstehen.

Sicherheit und lokale Alternativen

Der Datenaustausch mit cloudbasierten LLMs wirft Fragen zur Informationssicherheit auf. Unternehmen, deren Maschinen und Anlagen offline betrieben werden müssen bzw. deren Quellcode das Haus nicht verlassen darf, benötigen andere Lösungen. Zusammen mit Intel arbeitet Codesys hier an einem Forschungsprojekt: Mithilfe der KI-Runtime ‚OpenVino‘ werden lokale, optimierte Sprachmodelle für die SPS-Codegenerierung fein abgestimmt. Diese Modelle laufen ohne Cloud-Verbindung auf lokalen Intel-Prozessoren. Sie nutzen hybride Architekturen mit diskreten GPUs sowie integrierter KI-Beschleunigung über iGPU und NPU. Neue Intel-CPUs, die kurz vor der Freigabe stehen, reduzieren den Hardwarebedarf erheblich und können damit auf Systemen mittlerer Leistungsfähigkeit eingesetzt werden. Der Vorteil: Prompts und Quellcode bleiben vollständig im Unternehmen, während die Programmierunterstützung dennoch verfügbar ist. Weil zur Anbindung an das Codesys Development System ebenfalls die MCP-Schnittstelle genutzt wird, können öffentliche und lokale Modelle gewechselt werden. Die Technologie befindet sich derzeit in einer späten Forschungsphase, sodass Produkte voraussichtlich bald verfügbar werden.

Unabhängig davon, ob ein externes oder ein lokales Modell zum Einsatz kommt: Die Erklärbarkeit der KI-Vorschläge bleibt ein zentrales Thema. Generative Sprachmodelle können ihre Entscheidungswege in natürlicher Sprache darlegen und so die Einschätzung von Qualität und Brauchbarkeit erleichtern. Die Herausforderung liegt darin, den Überblick zu behalten, wenn ein Modell selbstständig Änderungen an einem Projekt vornimmt. Hier schließt sich der Kreis zur Versionsverwaltung: Durch konsequente Commit-Protokolle lässt sich jederzeit nachvollziehen, welche Änderungen manuell und welche maschinell entstanden sind.

Ausblick: Vom Werkzeug zum virtuellen Kollegen

Bild 3: Der KI-Chatbot in der Codesys Online-Hilfe stützt sich ausschließlich auf die Dokumentation des Tool-Herstellers. © Codesys

Die Entwicklung KI-gestützter Engineering-Funktionen steht erst am Anfang. Bereits verfügbar ist der Chatbot für die Codesys-Online-Hilfe, der technische Anwendungsfragen auf Basis der offiziellen Dokumentation beantwortet und dabei auf Halluzinationen verzichtet. Das heißt: Findet er keine passende Information, gibt er kein Ergebnis zurück. Parallel laufen Forschungsprojekte zur kontextbasierten Code-Vervollständigung für Structured Text. Weil bis zu 200 Zeilen Programmkontext berücksichtigt werden, gehen die Ergebnisse über die eingangs erwähnte IntelliSense-Funktion hinaus. Externe Partner wie KS Solutions ergänzen das Ökosystem mit KI-basierter Code-Konvertierung zwischen verschiedenen SPS-Standards, etwa AWL/SCL und ST nach IEC 61131-3 (Bild 3).

Der Autor: Roland Wagner ist Head of Product Marketing bei Codesys. © Codesys

Auch in Zukunft werden hochqualifizierte Applikationsspezialisten weiterhin die Kernaufgaben übernehmen, aber effizienter und kreativer arbeiten, weil ihnen der "KI-Kollege" Routinearbeiten abnimmt. Der Schwerpunkt verschiebt sich dabei von der reinen Implementierung hin zur Aufteilung in Funktionseinheiten und deren exakter Problembeschreibung. Je präziser die Aufgabe formuliert ist, desto besser das Ergebnis. Dies gilt unabhängig von KI bereits heute bei der Nutzung des erwähnten Codesys Application Composers: Auch hier sind sauber beschriebene Module hilfreich. In jedem Fall gilt: Durch KI werden automatisiertes Testen sowie Versionierung weiter an Bedeutung gewinnen und SPS-Programmierinnen und -Programmierer vergleichbar mit einem unterstützenden Werkzeug zunehmend entlasten. 

Redaktion: Andrea Gillhuber