KI-Agenten in der Fabrik: Die Automatisierung bekommt neue Schichten

Die klassische Automatisierungspyramide beschreibt die Fabrik als Hierarchie: von Sensoren und Maschinen bis zur betrieblichen Ressourcenplanung. Doch künstliche Intelligenz (KI) schafft Verbindungen, die dieses Modell nur begrenzt abbildet. IoT Analytics erkennt auf Basis von Gesprächen und Beobachtungen auf der International Manufacturing Technology Show (IMTS) 2026 eine neue Architektur industrieller Software.

Dabei geht es um mehr als zusätzliche Analysefunktionen. KI-Agenten sollen Produktionsdaten im Zusammenhang verstehen, Anwendungen bedienen und perspektivisch Maschinen ansteuern. „Die Anbieter, die über Fertigungsdaten und deren Kontext verfügen, sind am stärksten positioniert“, sagt Knud Lasse Lueth, Geschäftsführer von IoT Analytics. Daten lediglich weiterzureichen, dürfte als Geschäftsmodell schwieriger werden.

Acht Ebenen für die industrielle KI

IoT Analytics unterscheidet acht künftige Schichten:

1. Physische Prozesse
2. Softwaredefinierte Edge-Ebene
3. Industrielle Datenoperationen (DataOps)
4. Führende datenhaltende Systeme
5. Wissensgraph und Ontologie
6. Schnittstellen
7. Agenten
8. Anwendungen und menschliche Einbindung in Entscheidungen

Die Einteilung erweitert den Blick über die hierarchische Zuordnung von Automatisierungsaufgaben hinaus. Datenaufbereitung, semantische Zusammenhänge und Handlungsmöglichkeiten autonomer Software werden zu eigenen Architekturelementen. Die menschliche Beteiligung bleibt ausdrücklich Bestandteil des Modells.

Daten brauchen Zusammenhang statt nur einen Speicherort

Ein Schwerpunkt liegt auf Wissensgraphen. Diese verknüpfen Daten und bilden Beziehungen ab, statt Informationen lediglich zentral zu sammeln. Ontologien beschreiben dafür die Begriffe und Zusammenhänge eines Fachgebiets.

Nach Beobachtung von IoT Analytics setzte Amazon Web Services (AWS) auf der IMTS einen anderen Akzent als frühere Empfehlungen zur zentralen Cloud-Datenhaltung: Daten sollen dort verbunden und kontextualisiert werden, wo sie bereits liegen. MachineMetrics betrachtet den Wissensgraphen inzwischen als wesentliches Merkmal seines Angebots.

Die zugespitzte These, der Wissensgraph ersetze den Data Lake, beschreibt damit vor allem eine veränderte Priorität: Für industrielle KI zählt neben der Verfügbarkeit von Daten deren fachliche Einordnung. Daraus folgt noch keine generelle Ablösung bestehender Datenspeicher.

Schnittstellen öffnen Anwendungen für Agenten

Eine weitere Verbindung schafft das Model Context Protocol (MCP). MachineMetrics, PTC, Rockwell Automation, Limble und Vention präsentierten laut IoT Analytics neue MCP-Server, über die Agenten aktuelle Betriebsdaten abfragen und Aktionen auslösen können.

Die Fähigkeiten unterscheiden sich jedoch erheblich. Native Implementierungen stellen auch Anwendungslogik bereit. Nachträglich vorgeschaltete Adapter für geschlossene Programmierschnittstellen bleiben dagegen häufig auf Lesezugriffe beschränkt. Ein vorhandener MCP-Server sagt deshalb allein wenig darüber aus, welche Aufgaben ein Agent tatsächlich übernehmen kann.

Der nächste Schritt führt zur Maschine

Als mögliche Erweiterung auf physische Geräte nennt IoT Analytics den Model Hardware Standard (MHS). Anthropic habe am 27. August 2026 eine Forschungsvorschau veröffentlicht, mit der Agenten etwa Roboterarme, Sensoren und Prüfgeräte erkennen und bedienen können. Universal Robots habe den Ansatz mit vier kollaborativen Robotern erprobt; auch Doosan Robotics und AWS arbeiteten an Unterstützung.

Eine Forschungsvorschau und ein Machbarkeitsnachweis belegen allerdings noch keinen breiten Produktionseinsatz. Mit dem Zugriff auf Hardware wächst zudem die Bedeutung der im Architekturmodell vorgesehenen menschlichen Kontrolle: Aus einer fehlerhaften Softwareaktion kann unmittelbar eine Bewegung oder ein Eingriff in den Fertigungsprozess werden.

Einen ausführlicheren Abriss der Analyse gibt es hier.