Bamberg ist einer der größten Fertigungsstandorte von Bosch. Seit mehr als 80 Jahren werden dort Zündkerzen hergestellt, heute auch Einspritzsysteme. Zugleich erforscht das Unternehmen dort Zukunftsthemen der industriellen Produktion – vor allem den Einsatz Künstlicher Intelligenz.
Ein Beispiel ist der Bosch „Shopfloor Agent“. Die agentische KI unterstützt Beschäftigte bei Maschinenstillständen: Sie wertet Fehlerbilder aus, durchsucht technische Dokumentationen, ordnet mögliche Ursachen und schlägt Lösungen vor. Sie gibt also nicht nur eine Warnmeldung aus. Bosch setzt das System seit Ende 2025 in eigenen Werken ein. Nach Unternehmensangaben können sich durch kürzere Stillstandszeiten pro Werk jährlich rund 850.000 Euro einsparen lassen.
Der Unterschied zwischen generativer und agentischer KI liegt in der Handlungstiefe. Bisher erkannte KI vor allem Auffälligkeiten: steigende Temperaturen, fehlerhafte Schweißnähte oder verspätete Lieferungen. Was danach geschah, entschieden Menschen. Agentische KI soll darüber hinaus Ziele verfolgen, Handlungsoptionen bewerten und innerhalb definierter Grenzen selbst Schritte auslösen. Sie kann etwa Wartung vorbereiten, eine Maschine langsamer fahren lassen oder Aufträge neu einplanen. Menschen verschwinden dadurch nicht aus der Fabrik. Ihre Rolle verlagert sich aber stärker auf Kontrolle, Freigabe und Prozessverbesserung.
VOM PILOT ZUR PRAXIS
Die Industrie arbeitet seit Jahren an der Smart Factory: Sensoren erfassen Daten, Maschinen sind vernetzt, digitale Zwillinge bilden Abläufe virtuell ab. Dennoch blieben viele KI-Anwendungen lange auf Pilotprojekte beschränkt. Ein Modell sollte Ausschuss senken, ein anderes Wartungsbedarf vorhersagen oder die Logistik verbessern. Schwieriger als ein erfolgreicher Prototyp ist seine Integration in Schichtbetrieb, IT-Systeme und betriebliche Verantwortung.
Nach einem McKinsey-Whitepaper für das World Economic Forum gelangen rund 70 Prozent der Unternehmen mit fortgeschrittener Analytik, KI oder digitalen Lösungen nicht über die Pilotphase hinaus.
»Der wirtschaftliche Nutzen von KI-Agenten entsteht nicht durch die Prognose allein, sondern durch die koordinierte Handlung.«
Bei den weltweit ausgezeichneten „Lighthouse“-Fabriken ist KI dagegen bereits in zentrale Prozesse eingebunden. Ein Pilot betrifft meist eine einzelne Maschine oder einen isolierten Ablauf. Produktiver KI-Einsatz muss dagegen Materialflüsse, Qualitätsvorgaben, Schichtpläne, Sicherheitsregeln und Liefertermine zusammenführen.
Deloitte zufolge nutzen 29 Prozent großer Industrieunternehmen KI oder maschinelles Lernen bereits auf Werks- oder Netzwerkebene; 23 Prozent testen noch. Bei generativer KI liegen die Werte bei 24 beziehungsweise 38 Prozent. Diese Zahlen lassen sich nicht direkt auf den gesamten Mittelstand übertragen. Sie verdeutlichen aber die Lücke zwischen erfolgreicher Demonstration und breiter Anwendung.
Agentische KI soll diese Lücke schließen. Sie verbindet mehrere Einzelschritte: Das System erkennt eine Abweichung, sucht Ursachen in historischen Daten, berechnet Folgen für Termine und legt dem Team eine Empfehlung vor. In kontrollierten Bereichen kann es Anpassungen anschließend selbst ausführen. Klassische Automatisierung folgt fest programmierten Regeln: Wenn A eintritt, tue B. Maschinelles Lernen erkennt Muster. Ein KI-Agent erhält dagegen ein Ziel, etwa hohe Anlagenverfügbarkeit oder termingerechte Aufträge, und sucht innerhalb festgelegter Grenzen nach geeigneten Maßnahmen.
QUALITÄT UND WARTUNG
Besonders sichtbar ist KI in der Qualitätskontrolle. Kameras prüfen Bauteile, Oberflächen, Lötstellen und Schweißnähte. Lernende Bildsysteme vergleichen die Bilder nicht nur mit einer starren Vorlage, sondern mit einem trainierten Verständnis zulässiger Varianten. Das ist bei Materialien wie Holz oder Metall wichtig, deren Erscheinungsbild sich durch Temperatur, Werkzeuge oder Bearbeitung verändern kann. Starre Bildverarbeitung erzeugt dort leicht Fehlalarme; gut trainierte Modelle können besser zwischen tolerierbaren Abweichungen und echten Mängeln unterscheiden.
Beim Laserschweißen beobachten Kameras und weitere Sensoren das Schmelzbad. Veränderungen in Form, Helligkeit oder Verlauf können auf Poren, Spritzer oder mangelhafte Verbindungen hinweisen. Fehler werden dadurch früh erkannt, bevor ein Bauteil weiterverarbeitet ist. Die Anlage kann Parameter anpassen, ein Teil ausschleusen oder Beschäftigte gezielt informieren. Siemens nutzt im Elektronikwerk Amberg Computer Vision zur automatisierten Prüfung von „Pin-in-Paste“-Lötstellen. Dabei bilden Datenerfassung, Modelltraining, Bereitstellung auf Edge-Geräten und laufende Überwachung einen geschlossenen Kreislauf.
Die nächste Entwicklungsstufe ist die Regelung im geschlossenen Kreis. Die KI erkennt nicht nur eine schlechter werdende Schweißnaht, sondern verknüpft sie mit Prozessdaten wie Laserleistung, Geschwindigkeit, Materialcharge und Umgebungstemperatur. Sie prüft, welche Korrektur wahrscheinlich wirksam ist, und kann sie innerhalb sicherer Wertebereiche vornehmen. In sicherheitskritischen Anwendungen müssen Freigaben, Grenzwerte und Rückfallebenen jedoch beim Menschen bleiben.
Ein zweites Kernfeld ist die vorausschauende Wartung. Fräsmaschinen, Pressen, Pumpen und Roboter liefern Daten über Vibrationen, Temperaturen, Geräusche und Energieverbrauch. Oft weist erst die Kombination mehrerer Veränderungen auf beginnenden Verschleiß hin. KI kann den Normalzustand einer Maschine unter wechselnden Bedingungen lernen: Eine Fräsmaschine arbeitet morgens anders als nach vielen Stunden Dauerbetrieb, Aluminium anders als gehärteter Stahl.
Ein agentisches System könnte aus Schwingungen, Temperatur, Material, Schnittgeschwindigkeit und Bearbeitungsdauer den Verschleiß eines Fräskopfes ableiten. Es löst Wartung nicht zwingend sofort aus, sondern berücksichtigt reguläre Stillstände, verfügbare Ersatzteile und betroffene Aufträge. Der wirtschaftliche Nutzen entsteht daher nicht durch die Prognose allein, sondern durch die koordinierte Handlung.
Der Bosch Shopfloor Agent bündelt Wissen aus früheren Störungen, Handbüchern und Fehlerprotokollen. Bosch berichtet, dass beim Sensorhersteller Sick einzelne Fehlerbehebungen in ersten Anwendungen bis zu zehnmal schneller möglich gewesen seien. Unternehmensangaben ersetzen keine unabhängige Wirkungsanalyse. Sie zeigen aber, worauf es in der Praxis ankommt: auf die Verkürzung der Kette vom Ausfall über die Diagnose bis zur Wiederinbetriebnahme.
PLANUNG UND ROBOTIK
Produktionspläne geraten durch Lieferverzögerungen, Eilaufträge, Maschinenausfälle, Personalmangel oder Energiepreise schnell unter Druck. KI-gestützte Systeme können Auftragsfolgen laufend neu berechnen und dabei Rüstzeiten, Liefertermine, Materialbestände und Maschinenzustände berücksichtigen. Fällt eine Fräsmaschine aus, könnte ein Agent Aufträge auf eine Schwesteranlage verlagern, die Logistik informieren und Folgen für andere Termine sichtbar machen.
Interessant ist die Verbindung mit Energiemanagement. Produktionsspitzen, Ladevorgänge oder Umrüstungen könnten in Zeitfenster mit günstigeren Strompreisen oder hoher erneuerbarer Erzeugung gelegt werden. So verbindet ein Produktionsagent zwei Ziele: Termine einhalten und Energiekosten oder Netzbelastung senken.
Siemens plant in Amberg eine neue, KI-basierte Fabrik für Smart Infrastructure. Das Unternehmen kündigte im März 2026 Investitionen von rund 200 Millionen Euro an. Bis 2030 sollen dort selbstlernende, flexible Produktionsabläufe, automatisierte Logistik und teilweise KI-gesteuerte Prozesse entstehen. Es handelt sich jedoch um ein angekündigtes Vorhaben, nicht um den Nachweis eines bereits vollautonomen Werks. Diese Unterscheidung ist wichtig, weil Zielbilder und laufende Praxis in der industriellen Kommunikation oft ähnlich beschrieben werden. Auch Robotik wird durch KI flexibler. Ein klassischer Industrieroboter arbeitet präzise, solange Werkstück, Position und Umgebung den programmierten Erwartungen entsprechen. Beim „Griff in die Kiste“ liegen Teile dagegen ungeordnet vor. Kameras erfassen ihre Lage; ein KI-Modell bestimmt zugängliche Objekte, Greifpunkte, Kollisionsrisiken und Bewegungswege. Für jedes Werkstück entsteht eine individuelle Greifbewegung.
KI ersetzt dabei weder robuste Mechanik noch gute Beleuchtung oder sichere Abläufe. Spiegelnde Oberflächen, überlagerte Teile und kleine Positionsfehler können den Takt stören. Bei kollaborierenden Robotern kommen besondere Anforderungen hinzu: Sie teilen sich Arbeitsbereiche mit Menschen. Sensoren und Kameras helfen, Bewegungen zu erkennen, Geschwindigkeit zu reduzieren oder einen Stopp auszulösen. KI kann die Zusammenarbeit verbessern, darf aber nie die alleinige Sicherheitsgarantie sein.
WISSEN, SICHERHEIT, VERANTWORTUNG
In vielen Werken steckt wichtiges Wissen in den Köpfen langjähriger Fachkräfte. Sie wissen etwa, dass eine Maschine bei feuchter Witterung anders reagiert oder ein bestimmtes Geräusch auf ein Lagerproblem hindeutet. Dieses Erfahrungswissen kann verloren gehen, wenn Beschäftigte ausscheiden. Gleichzeitig liegen Informationen häufig verteilt in Handbüchern, Wartungsprotokollen, Schichtbüchern und E-Mails.
Sprachmodelle können freigegebene Dokumente durchsuchen und technische Fragen in Alltagssprache beantworten. Ein Techniker könnte nach einem Fehlercode, Prüfschritten und bereits genutzten Ersatzteilen fragen. Voraussetzung sind jedoch Zugriffsschutz, Quellen, Versionsstände und klare Zuständigkeiten. Ein System, das vertrauliche Konstruktions- oder Kundendaten unkontrolliert verarbeitet oder eine plausible, aber falsche Reparaturanleitung erzeugt, schafft erhebliche Risiken. Agentische KI kann nur funktionieren, wenn ihre Selbstständigkeit begrenzt und überprüfbar bleibt. Ein System darf nicht isoliert optimieren. Niedriger Energieverbrauch kann Qualität beeinträchtigen, maximale Auslastung Wartungsintervalle verkürzen und schnelle Umplanung andere Linien überlasten. Ebenso kritisch ist die Verbindung von IT und OT, also Operational Technology: Ein Agent, der auf ERP-, MES- und Maschinendaten zugreift, verbindet Bürosoftware mit realen Anlagen.
»Erfahrene Beschäftigte erkennen oft Zusammenhänge, die in Daten nicht vollständig sichtbar sind.«
Manipulierte Sensorwerte, unberechtigte Zugriffe oder fehlerhafte Modelle können damit nicht nur Daten, sondern auch Maschinen und Beschäftigte gefährden.
Auch die Datenqualität entscheidet über den Nutzen. Unvollständige Wartungsprotokolle, ungeeignete Bilddaten oder überholte Lieferkettenannahmen können falsche Entscheidungen erzeugen. Zentral bleibt daher die Verantwortungsfrage: Wer trägt die Folgen einer fehlerhaften Umplanung, eines übersehenen Qualitätsmangels oder einer falschen KI-Empfehlung? Je nach Anwendung können in Europa zudem strenge Anforderungen gelten, insbesondere wenn Sicherheit, Arbeitsorganisation oder Beschäftigung betroffen sind. KI soll Ausschuss, Stillstände, Energieverbrauch und Folgen des Fachkräftemangels senken. Leuchtturmfabriken zeigen zwar große Potenziale, sind aber keine Durchschnittsbetriebe: Sie verfügen meist über strukturierte Daten, Investitionsmittel und interdisziplinäre Teams. Für kleine und mittlere Unternehmen bietet sich deshalb ein eng abgegrenzter Einstieg an: eine Kamera an einer kritischen Station, ein Verschleißmodell für ein häufig genutztes Werkzeug oder ein interner Wartungsassistent.
Erfolg sollte an konkreten Kennzahlen gemessen werden: Ausschussquote, ungeplante Stillstandszeit, Durchlauf- und Rüstzeit, Energieverbrauch, Fehlalarme und Dauer der Fehlerbehebung. Erst wenn ein System unter realen Bedingungen stabil arbeitet, sollte es auf weitere Linien oder Werke übertragen werden. Denn Produktionsumgebungen verändern sich durch neue Materialien, Lieferanten, Varianten und Teams ständig.
Die Zukunft der Fertigung entscheidet sich nicht daran, ob KI Menschen ersetzt. Entscheidend ist, wie viel Einfluss Menschen auf die Systeme behalten. KI kann Fehler schneller strukturieren, Produktionsfolgen berechnen oder sichere Greifbewegungen planen. Erfahrene Einstellerinnen, Schichtleiter und Instandhalter erkennen jedoch oft Zusammenhänge, die in Daten nicht vollständig sichtbar sind.
Agentische KI ist stark, wenn sie Erfahrungswissen ergänzt, dokumentiert und zugänglich macht. Die Fabrik der kommenden Jahre wird vermutlich aus vielen begrenzten Agenten für Qualität, Wartung, Materialflüsse und Produktionsplanung bestehen. Menschen setzen Ziele, kontrollieren Grenzfälle und tragen die Verantwortung. Bosch formuliert diesen Ansatz als Befähigung der Beschäftigten: Die KI soll helfen, Fehler schneller zu finden und zu beseitigen – nicht die Verantwortung aus dem Prozess zu entfernen.
Der Mensch bleibt zentral – nicht nur als Überwacher, sondern auch als Träger von Erfahrungswissen. Am Ende müssen Beschäftigte die Systeme verstehen, ihre Entscheidungen kontrollieren und ihnen widersprechen können.
