Bamberg ist einer der größten Fertigungsstandorte der deutschen Traditionsfirma Bosch. Seit über 80 Jahren werden hier Zündkerzen gefertigt, heute auch Einspritzsysteme. Und es ist ein Standort, in dem das Unternehmen Zukunftsthemen erforscht. Das derzeit wohl wichtigste ist der Einsatz von Künstlicher Intelligenz in der industriellen Fertigung.
Wie genau Bosch KI in die Fertigung implementiert, stellt das Unternehmen auf seiner Website dar. „Eine gleichmäßige Fertigung ist ein Garant für hohe und kostenoptimale Produktivität. KI hilft hier entscheidend“, wird der Bosch-Mitarbeiter Leon Keidel zitiert. Sein Kollege zeigt auf ein Tablet, das er in der Hand hält.
»KI ist bei den weltweit ausgezeichneten ›Lighthouse‹-Fabriken längst in den Kernprozessen angekommen.«
Es sieht unspektakulär aus: keine futuristische Steuerzentrale, einfach ein Bildschirm im Arbeitsalltag. Doch auf diesem Tablet arbeitet der „Shopfloor Agent“ von Bosch – eine so genannte „agentische“ KI, die bei einem Maschinenstillstand nicht bloß eine Warnmeldung ausgibt, sondern Fehlerbilder auswertet, passende Dokumentationen durchsucht, mögliche Ursachen ordnet und einen Lösungsweg vorschlägt. Bosch setzt das System seit Ende 2025 in eigenen Werken ein. Nach Unternehmensangaben kann der Einsatz pro Werk jährliche Einsparungen von rund 850.000 Euro ermöglichen, weil sich Stillstandszeiten verkürzen.
AGENTEN TREFFEN EIGENE ENTSCHEIDUNGEN
Der entscheidende Wandel von generativer zu „agentischer“ KI liegt nicht in der bloßen Einführung eines weiteren digitalen Werkzeugs. Er liegt in der Frage, was eine Maschine, eine Produktionslinie oder ein ganzes Werk mit den gewonnenen Daten anfangen darf. Lange Zeit bestand der industrielle Nutzen künstlicher Intelligenz vor allem darin, Auffälligkeiten zu erkennen: Eine Temperatur stieg, eine Schweißnaht wich vom Muster ab, ein Lieferant verspätete sich. Die Software meldete den Verdacht – was dann passiert, wurde anschließend von einem Menschen entschieden.
Nun verschiebt sich die Arbeitsteilung. Künstliche Intelligenz soll nicht mehr nur sehen, berechnen und warnen, sondern Ziele verfolgen, Handlungsmöglichkeiten abwägen und einzelne Schritte selbst auslösen. Solche Systeme werden als „agentische KI“ bezeichnet. In der Fertigung kann das bedeuten, dass ein „KI-Agent“ Produktionsdaten auswertet, einen Auftrag neu einplant, einen Wartungsvorgang anstößt, die betroffene Maschine langsamer fahren lässt oder einen Techniker mit einer konkret vorbereiteten Fehleranalyse unterstützt. In der Fabrik arbeiten dadurch nicht automatisch weniger Menschen. Aber die Anlage selbst wird zu einem System, in dem Software zunehmend operative Entscheidungen vorbereitet – und in bestimmten, klar begrenzten Bereichen auch selbst trifft.
Die Industrie spricht seit Jahren über die „Smart Factory“ oder auch „Industrie 4.0“. Sensoren sammeln Daten, Maschinen sind vernetzt, digitale Zwillinge bilden Produktionsabläufe virtuell ab. Trotzdem blieb Künstliche Intelligenz lange in vielen Unternehmen auf Versuche beschränkt. Ein Modell sollte Ausschuss reduzieren, ein anderes Wartungsbedarfe vorhersagen, ein drittes die Logistik verbessern. Nach einer erfolgreichen Demonstration stellte sich jedoch die schwierigere Frage: Wie lässt sich der Versuch in den Schichtbetrieb, in bestehende IT-Systeme und in die Verantwortung der Beschäftigten integrieren?
Die „Industrie 5.0“ steht in den Startlöchern: Laut einem Whitepaper der Wirtschaftsberatung McKinsey für das World Economic Forum kommen zwar rund 70 Prozent der Unternehmen, die in fortgeschrittene Analytik, KI oder digitale Lösungen investieren, nicht über die Pilotphase hinaus. Gleichzeitig zeigt der Bericht, dass KI bei den weltweit ausgezeichneten „Lighthouse“-Fabriken längst in den Kernprozessen angekommen ist. Ein Pilotprojekt läuft häufig in einer einzelnen Maschine oder betrachtet einen isolierten Prozess. Ein produktiver KI-Einsatz muss dagegen mit Materialflüssen, Schichtplänen, Qualitätsvorgaben, Sicherheitsregeln und Geschäftsentscheidungen verbunden sein. Er muss auch dann funktionieren, wenn sich Rohmaterial, Auftragseingang oder Personalbesetzung verändern.
Der „2025 Smart Manufacturing and Operations Survey“ von Deloitte unter großen produzierenden Unternehmen verdeutlicht diese Lücke: 29 Prozent der Befragten gaben an, KI oder maschinelles Lernen auf Anlagen- oder Netzwerkebene einzusetzen; 23 Prozent befanden sich noch in der Pilotphase. Bei generativer KI meldeten 24 Prozent einen Einsatz auf dieser Ebene, während 38 Prozent entsprechende Projekte erprobten.
Die Zahlen beziehen sich auf große Unternehmen und sind deshalb nicht ohne Weiteres auf den gesamten industriellen Mittelstand übertragbar. Sie zeigen aber, wie weit der Weg von der Demonstration zur flächendeckenden Anwendung noch ist. Agentische KI verspricht, diese Lücke zu verkleinern. Sie verbindet mehrere Einzelschritte zu einem Ablauf. Ein System kann beispielsweise eine Abweichung erkennen, die Ursache in historischen Produktionsdaten suchen, die Auswirkung auf den Liefertermin berechnen und dem zuständigen Team eine Entscheidung vorlegen. In einem streng kontrollierten Rahmen kann es anschließend selbst eine Anpassung ausführen.
Damit verändert sich auch der Begriff der Automatisierung. Klassische Automatisierung folgt Regeln, die Menschen zuvor festgelegt haben: Wenn A eintritt, dann tue B. Maschinelles Lernen erkennt statistische Muster. Ein KI-Agent geht einen Schritt weiter: Er erhält ein Ziel, etwa eine möglichst hohe Anlagenverfügbarkeit oder einen termingerechten Auftragseingang, und sucht innerhalb definierter Grenzen nach geeigneten Maßnahmen.
KAMERA AN DER SCHWEISSNAHT
Besonders sichtbar wird der Fortschritt bei der Qualitätskontrolle. In einer modernen Fertigung bewegen sich Kameras mit hoher Geschwindigkeit entlang von Produktionslinien. Sie erfassen Bauteile, Oberflächen, Lötstellen oder Schweißnähte. KI-Modelle vergleichen die Bilder nicht einfach mit einer einzigen Vorlage, sondern mit einem erlernten Verständnis zulässiger Varianten.
Das ist bei natürlichen oder variierenden Materialien wichtig. Holz etwa sieht nicht an jeder Stelle gleich aus; Metalloberflächen verändern sich abhängig von Temperatur, Werkzeug und Bearbeitung.
Eine starre Bildverarbeitung kann bei solchen Unterschieden schnell zu viele Fehlalarme erzeugen. Lernende Systeme können dagegen zwischen einer zulässigen Abweichung und einem relevanten Fehler unterscheiden – vorausgesetzt, sie wurden mit geeigneten Daten trainiert und laufend überwacht.Beim Laserschweißen zeigt sich der Nutzen besonders deutlich. Während zwei Bauteile verschmelzen, können Hochgeschwindigkeitskameras und weitere Sensoren das Schmelzbad beobachten. Die KI erkennt Veränderungen in Form, Helligkeit oder Verlauf, die auf Poren, Spritzer oder eine unzureichende Verbindung hindeuten. Der Fehler wird nicht erst am Ende der Linie entdeckt, wenn das Bauteil bereits weiterverarbeitet wurde. Die Anlage kann innerhalb eines kurzen Zeitfensters reagieren: Parameter werden angepasst, das betroffene Teil wird ausgeschleust oder ein Mitarbeiter erhält einen präzisen Hinweis.
Ein ähnliches Prinzip nutzt das Siemens-Elektronikwerk Amberg bei der automatisierten Prüfung gelöteter Leiterplatten. Dort soll Computer Vision die manuelle Kontrolle von „Pin-in-Paste“-Lötstellen ergänzen oder ersetzen. Das Unternehmen beschreibt den Aufbau als geschlossenen Kreislauf: Daten werden erfasst, ein Modell wird trainiert, auf Edge-Geräten bereitgestellt und im Betrieb überwacht.
Die nächste Entwicklungsstufe ist die Regelung im geschlossenen Kreis. Die KI erkennt nicht nur, dass eine Schweißnaht schlechter wird. Sie verknüpft den Befund mit Prozessdaten – etwa Laserleistung, Geschwindigkeit, Materialcharge und Umgebungstemperatur – und prüft, welche Korrektur wahrscheinlich wirkt. Anschließend kann sie die Veränderung in einem sicheren Wertebereich selbst vornehmen. Das ist ein fundamentaler Unterschied zur klassischen Warnmeldung. Eine Warnung beendet die Verantwortung der Software. Ein agentisches System muss seine Handlung begründen, ihre Folgen abschätzen und dokumentieren. In sicherheitskritischen Anwendungen wird deshalb nicht jede Entscheidung vollständig autonom erfolgen dürfen.
»Agentische KI: Künstliche Intelligenz soll nicht mehr nur sehen, berechnen und warnen, sondern Ziele verfolgen, Handlungsmöglich- keiten abwägen und einzelne Schritte selbst auslösen.«
Entscheidungen über Freigaben, Grenzwerte und Rückfallebenen verbleiben beim Menschen. Ein zweites wichtiges Einsatzfeld ist die vorausschauende Wartung. Fräsmaschinen, Pressen, Pumpen und Roboterarme senden ständig Signale aus. Vibrationen verändern sich, Lager erwärmen sich, Motoren entwickeln ein anderes Geräusch, der Energieverbrauch steigt. Einzelne Werte können dabei noch unauffällig sein. Erst ihre Kombination weist auf einen beginnenden Verschleiß hin. KI-Systeme lernen den Normalzustand einer Maschine – nicht als statischen Punkt, sondern als Verlauf. Eine Fräsmaschine arbeitet morgens anders als nach sechs Stunden Dauerbetrieb. Ein Werkzeug verhält sich bei Aluminium anders als bei gehärtetem Stahl. Ein Modell muss solche Bedingungen berücksichtigen, damit es nicht jede normale Veränderung zum Alarm erklärt.
Bei einem Fräskopf kann die Software beispielsweise aus Schwingungen, Temperatur, Schnittgeschwindigkeit, Material und Bearbeitungszeit den wahrscheinlichen Verschleiß berechnen. Erreicht der errechnete Zustand einen kritischen Bereich, plant ein agentisches System die Wartung nicht zwingend sofort ein. Es prüft, wann der nächste reguläre Stillstand vorgesehen ist, welche Ersatzteile verfügbar sind und ob ein anderer Auftrag betroffen wäre. Dann schlägt es den wirtschaftlich und technisch sinnvollsten Zeitpunkt vor oder reserviert ihn automatisch im Wartungsplan.
Bosch beschreibt prädiktive Wartung als einen Bereich, in dem mathematische Modelle künftige Maschinenzustände simulieren und den Wartungsbedarf vor einem Ausfall prognostizieren können. Der wirtschaftliche Wert entsteht nicht allein durch die Vorhersage. Er entsteht erst, wenn aus der Prognose eine koordinierte Handlung wird. Das Beispiel aus Bamberg zeigt diese Logik auf einer anderen Ebene. Der Bosch Shopfloor Agent greift auf dokumentiertes Wissen über frühere Störungen und deren Lösungen zurück. Statt dass ein Mitarbeiter verstreute Handbücher, Laufwerke und alte Fehlerprotokolle durchsuchen muss, bündelt die Software die Informationen und erzeugt einen kontextbezogenen Lösungsvorschlag. Bosch berichtet, dass bei einem Kunden, dem Sensorhersteller Sick, einzelne Fehlerbehebungen in ersten Erfahrungen bis zu zehnmal schneller möglich gewesen seien. Solche Angaben stammen aus Unternehmensdarstellungen und sind deshalb nicht mit einer unabhängigen wissenschaftlichen Wirkungsanalyse gleichzusetzen. Sie machen dennoch sichtbar, worum es bei agentischer KI in der Praxis geht: Nicht der Chatbot allein spart Geld, sondern die Verkürzung einer konkreten Kette – vom Ausfall über die Diagnose bis zur Wiederinbetriebnahme. Eine Fabrik arbeitet selten unter idealen Bedingungen. Ein Lieferant verschiebt seine Lieferung, ein Großkunde bestellt kurzfristig zusätzliche Ware, eine Maschine fällt aus, eine Fachkraft fehlt. Zugleich ändern sich Energiepreise und Netzauslastung. Die Produktionsplanung muss diese Variablen in eine Reihenfolge bringen, in der Termine eingehalten, Maschinen möglichst ausgelastet und Umrüstungen begrenzt werden.
KI KANN JEDEN TAG NEU PLANEN
Traditionelle Planungssysteme sind stark, wenn die Regeln bekannt sind und die Datenlage stabil ist. Schwieriger wird es, wenn zahlreiche Abhängigkeiten gleichzeitig berücksichtigt werden müssen. Ein Fertigungsplan für mehrere Produktvarianten kann sich bereits durch eine einzige verspätete Materiallieferung verändern. Die Konsequenzen reichen dann von der Reihenfolge an einer Maschine bis zur Auslastung nachgelagerter Anlagen.
KI-gestützte Planung kann solche Szenarien in kurzen Abständen neu berechnen. Ein Modell bewertet beispielsweise verschiedene Auftragsfolgen und berücksichtigt Rüstzeiten, Liefertermine, Materialbestände und Maschinenzustände. Bei einem Produktwechsel wird nicht nur die kürzeste einzelne Umrüstung gesucht. Entscheidend ist die gesamte Reihenfolge: Welche Werkzeuge müssen gewechselt werden? Welche Farben, Materialien oder Geometrien lassen sich zusammenfassen? Wie verhindert man, dass eine Maschine für wenige Minuten umgerüstet wird, während eine andere Anlage auf Material wartet?
Ein agentisches System könnte am Morgen einen Plan erzeugen und ihn im Tagesverlauf selbst anpassen. Fällt eine Fräsmaschine aus, verschiebt es Aufträge auf eine Schwesteranlage, prüft den Energiebedarf und informiert die Logistik. Kommt ein Eilauftrag hinzu, berechnet es nicht nur einen neuen Termin, sondern zeigt, welche anderen Aufträge betroffen wären.
Besonders interessant ist die Verbindung mit dem Energiemanagement. Rüstvorgänge und Produktionsspitzen können in Zeitfenster gelegt werden, in denen Strom günstiger oder erneuerbare Energie verfügbar ist. Ein Produktionsagent könnte deshalb zwei Ziele gleichzeitig verfolgen: termingerechte Fertigung und eine möglichst geringe Belastung des Stromnetzes. Das ist kein abstraktes Nachhaltigkeitsversprechen, sondern eine Frage der Reihenfolge von Aufträgen, Ladezyklen und Anlagenstarts. Siemens plant für seinen Standort Amberg eine neue Fabrik, in der Echtzeitdaten, Auftragsplanung, automatisierte Logistik und teilweise KI-gesteuerte Produktion verbunden werden sollen. Das Unternehmen kündigte im März 2026 eine Investition von mehr als 200 Millionen Euro an. Die geplante Fabrik soll selbstlernende und hochflexible Abläufe, automatisierte Logistik und teilweise KI-gesteuerte Produktion verbinden. Noch handelt es sich bei dem Amberger Vorhaben um eine Planung und nicht um den Nachweis eines bereits vollständig autonomen Werks. Gerade diese Unterscheidung ist wichtig: Die industrielle Kommunikation neigt dazu, Zielbilder und laufende Praxis in derselben Sprache zu beschreiben. Für eine belastbare Bewertung muss jedoch klar sein, ob ein System angekündigt, erprobt oder bereits dauerhaft im Schichtbetrieb eingesetzt wird.
AUCH DIE ROBOTIK VERÄNDERT SICH
Ein klassischer Industrieroboter arbeitet präzise, solange Werkstück, Position und Umgebung den programmierten Erwartungen entsprechen. Liegt ein Bauteil in einer Kiste anders als vorgesehen, gerät das starre Programm an seine Grenze. Beim sogenannten „Griff in die Kiste“ erkennt ein Kamerasystem zunächst die Lage der ungeordneten Teile. Ein KI-Modell berechnet, welches Teil am besten zugänglich ist und an welchem Punkt der Greifer ansetzen sollte. Es berücksichtigt Form, Schwerpunkt, mögliche Kollisionen und den anschließenden Weg zur Ablagestation. Für jedes Werkstück entsteht damit eine individuelle Greifbewegung. Die Aufgabe wirkt einfach, ist aber technisch anspruchsvoll. Die Teile können sich überlagern, spiegelnde Oberflächen können Kameras irritieren, und bereits kleine Fehler bei der Positionierung können einen Taktverlust verursachen. KI erweitert hier die Flexibilität, ersetzt aber nicht die Notwendigkeit robuster Mechanik, guter Beleuchtung und klarer Sicherheitskonzepte.
Bei kollaborierenden Robotern, den Cobots, kommt eine weitere Ebene hinzu. Sie teilen sich ihren Arbeitsbereich mit Menschen. Sensoren und Kameras erfassen Bewegungen; der Roboter reduziert seine Geschwindigkeit oder stoppt, wenn eine Person in den definierten Schutzbereich gelangt. Die KI kann dabei helfen, Bewegungen besser zu interpretieren und die Zusammenarbeit flexibler zu machen. Sie darf jedoch nicht als alleinige Sicherheitsgarantie verstanden werden. Gerade im Zusammenhang mit schweren Maschinen, die Verletzungen verursachen können, müssen Sicherheitsfunktionen unabhängig, nachvollziehbar und normgerecht ausgelegt sein. Die Rolle des Menschen wird sich dabei verändern: weg von der permanenten Wiederholung standardisierter Handgriffe, hin zur Überwachung, Störungsbehebung und Prozessverbesserung. Das setzt voraus, dass Beschäftigte die Systeme verstehen und ihnen widersprechen können, wenn die Maschine eine falsche Entscheidung trifft.
Siemens betont bei der geplanten Fabrik in Amberg deshalb nicht nur Automatisierung, sondern auch Qualifizierung. Rund 2.400 Beschäftigte am Standort sollen in die digitale Transformation einbezogen und auf veränderte Aufgaben vorbereitet werden. Das ist mehr als eine soziale Begleitmaßnahme. Ohne das Erfahrungswissen der Belegschaft bleiben viele KI-Systeme blind für die tatsächlichen Ursachen von Fehlern. Hier liegt die eigentliche Rolle des Menschen: in seiner Verantwortung, die Maschinen niemals übernehmen sollten.
REGELN FÜR INDUSTRIELLE KI-AGENTEN
• ein klar definiertes Ziel, etwa die Reduktion ungeplanter Stillstände
• erlaubte und verbotene Aktionen
• Grenzwerte für Geschwindigkeit, Temperatur, Druck oder Materialeinsatz
• eine Protokollierung aller Entscheidungen
• eine Rückfallebene auf bewährte Steuerungslogik
• eine menschliche Freigabe für kritische Eingriffe
