Der Tag, an dem die Branche aufhörte zu fragen, ob. Und anfing zu fragen, wie.
Der VDMA hat seinen KI-Praxistag als World Café in Frankfurt organisiert — zwölf thematische Tische in Raum 10, dazu ein dreizehnter in der Mitte, den die Veranstalter die „Wilde 13" nannten: der Pausentisch, an dem das vorbereitete Programm aufhörte und die Menschen sagten, was sie wirklich meinten. Der Raum fasste rund 200 Personen aus dem Mittelstand: Ingenieure, Produktionsleiter, IT-Verantwortliche, einige CAIOs und genug Berater, um die Ingenieure nervös zu machen. Man war nicht gekommen, um bepitcht zu werden. Man war gekommen, um Erfahrungen auszutauschen.
Das ist eine andere Art von Treffen. Wenn ein Raum voller Menschen, die physische Dinge bauen, zusammenkommt, um herauszufinden, wofür KI wirklich gut ist, führt das Gespräch dorthin, wo eine Keynote nie ankommt. Die Fragen waren präziser. Die Frustrationen konkreter. Und worüber man sich, ohne es laut auszusprechen, einig war: Die Branche diskutiert nicht mehr, ob KI in den Maschinen- und Anlagenbau gehört. Sie arbeitet heraus, wo man anfängt — und wie man es schafft, ohne das zu beschädigen, was bereits funktioniert.
Diese Seite ist mein Versuch, die Struktur dieses Tages weiterzuführen — die Diagramme, die Rahmenwerke und die ehrlichen Zahlen —, damit sie über den Raum hinaus nützlich sind.
Der Raum
Zwölf Tische, ein Raum, eine Frage pro Tisch. Das Diagramm zeigt die Anordnung, wie sie an diesem Tag war. Jeder Tisch lief vierzig Minuten, bevor die Teilnehmerinnen und Teilnehmer wechselten.
KI im technischen Vertrieb: Was die Präsentationen versprechen — und was in einem komplexen B2B-Verkauf tatsächlich funktioniert.
KI-Agenten im Verwaltungsbereich: ERP- und Office-Systeme verbinden, ohne die tatsächlich genutzten Arbeitsabläufe zu beschädigen.
Sprechende KI — Regulierung und Rechtssicherheit: Wo der EU AI Act die Grenze zieht — und was der Raum noch immer nicht wusste.
KI entlang der Wertschöpfungskette: von der Beschaffung über die Fertigung bis zur Montage — wo die Datenlücken wirklich stecken.
KI-Agenten in der Produktion: Was ein Agent auf dem Shopfloor heute tatsächlich leisten kann — und was noch einen Menschen erfordert.
Governance: Wer trägt Verantwortung, wenn ein Agent handelt — die Frage, die noch niemand vollständig beantwortet hatte.
Digitalisierungsstufe steigern und Daten systematisch nutzen: Man kann nicht steuern, was man nicht sieht.
Edge, Embedded & Physical AI: Inferenz nah an der Maschine — nicht im Rechenzentrum drei Länder entfernt.
Der ungeplante Tisch. Hier hörte das Programm auf. Die Fragen wurden besser.
Strategie ist keine Adoptionsgeschwindigkeit
Das Strategie-Panel — „KI: Einfach machen oder strategisch handeln!?" — brachte SSI Schäfer, Zollern Engineering und andere zusammen, die die Frage des Ob längst hinter sich gelassen haben. Das Gespräch, das entstand, drehte sich um etwas Schwierigeres: Wie stellt man sicher, dass KI die strategische Position des Unternehmens stärkt, anstatt lediglich zu automatisieren, was ohnehin schon getan wurde? Der Titel war eine Frage, weil die Antwort für den größten Teil des Raumes noch nicht feststand.
Ein Indikator dafür, wie weit das Gespräch gereift ist: CAIO — Chief AI Officer — ist in dieser Gemeinschaft inzwischen akzeptiertes Vokabular. Keine Kuriosität, kein aus dem Silicon Valley entliehener Jobtitel. Eine Rolle, die mehrere Unternehmen im Raum geschaffen, besetzt und aktiv zu nutzen lernen. Das ist eine bedeutsame Verschiebung gegenüber vor zwölf Monaten.
“Strategie ist nicht die Frage, wie schnell wir adoptieren können. Sie ist die Frage, wohin das führt — und ob KI Ihre Strategie stärkt oder sie stillschweigend ersetzt.”
Der EU AI Act: Die meisten Unternehmen wissen nicht, wo sie stehen
Dr. Gorenflos moderierte den Tisch zum EU AI Act und beantwortete nahezu eine Stunde lang Fragen. Die ehrliche Zusammenfassung dessen, was ich hörte: Die meisten Unternehmen im Raum wissen nicht, in welche Risikostufe ihre Anwendungen fallen. Sie wissen, dass es den Act gibt. Einige haben Zusammenfassungen gelesen. Einige wenige haben Rechtsberatung in Anspruch genommen. Doch die Frage, ob ein konkretes System — ein Qualitätskontrollmodell, ein Beschaffungsempfehlungsagent, eine Anomalie-Erkennungspipeline — nach der Verordnung als hochriskant, begrenzt riskant oder minimal riskant gilt, war für die Mehrheit noch offen. Das ist keine Kritik an den Anwesenden. Es ist der ehrliche Stand der Compliance-Landschaft anderthalb Jahre nach Inkrafttreten. Die Verordnung ist real. Die Taxonomie ist schwerer anzuwenden, als die Taxonomie vermuten lässt.
Sechs Dinge, die ein KI-Agent wirklich braucht
Der Raum einigte sich auf sechs Erfolgsfaktoren für den Einsatz von KI-Agenten im Maschinen- und Anlagenbau. Das sind keine Wunschvorstellungen — es sind die Bedingungen, unter denen Agenten in der Produktion scheitern oder gelingen. Apuna baut alle sechs in jeden Einsatz ein.
Kontext & Grounding
Der Agent braucht den richtigen Kontext, bevor er schlussfolgern kann. Ohne Verankerung in der spezifischen Maschine, dem Prozess und der Geschäftssituation gleicht ein Modell lediglich Muster mit seinen Trainingsdaten ab — es löst nicht Ihr Problem.
Verlässlichkeit
Reproduzierbare Ergebnisse, keine Glückstreffer. Ein Agent, der dienstags gut und freitags anders performt, ist nicht produktionsreif. Verlässlichkeit ist eine Eigenschaft der Ingenieursarbeit, nicht des Modells — sie steckt im Deployment, in der Konfiguration und in der Testsuite.
Berechtigungen
Feingranulare Berechtigungen; zunächst nur Lesezugriff. Ein Agent, der Ihr ERP lesen kann, sollte dort erst schreiben dürfen, wenn das bewusst entschieden wurde. Der Schadensradius eines Fehlers muss durch Design klein sein.
Mensch im Loop (HITL)
Ein Mensch entscheidet. Der Agent empfiehlt; der Mensch genehmigt. Das ist keine Konzession an die Vorsicht — es ist die richtige Architektur für jede Handlung mit realen Konsequenzen. Die Recherche automatisiert man; die Entscheidung behält der Mensch.
Nachvollziehbarkeit
Vollständiger Audit-Trail. Jede Empfehlung, jede Aktion, jede Datenquelle, die zu einem Ergebnis beigetragen hat, muss protokolliert und abrufbar sein. In einer regulierten Branche ist das keine Option. In jeder Branche ist es das, was Vertrauen aufbaut.
Guardrails
Schema-Validierung auf Ausgabe-Ebene. Bevor die Ausgabe eines Modells ein nachgelagertes System erreicht, muss etwas prüfen, ob sie der erwarteten Struktur entspricht. Nicht „ist das eine gute Antwort" — das ist ein anderes Problem. „Ist diese Ausgabe strukturell valide, bevor sie Produktionsdaten berührt." Ein JSON, der einen Schema-Check nicht besteht, bleibt am Eingang.
Die vier Stufen: von der Datenbestandsaufnahme zum agentischen Einkauf
Die Unternehmen, die den größten Fortschritt machten, waren nicht die, die die meisten KI-Funktionen eingeführt hatten. Es waren die, die zuerst das Fundament gebaut und dann Fähigkeiten in einer Reihenfolge hinzugefügt hatten, die jeder Schritt erst ermöglichte. Vier Stufen wurden wiederholt als die richtige Reihenfolge genannt.
Transparenz-Dashboard
Welche Daten haben wir, und woher kommen sie? Bevor ein Modell irgendetwas berührt, muss eine ehrliche Bestandsaufnahme existieren: Welche Systeme produzieren Daten, in welcher Qualität, wie oft werden sie aktualisiert, und wer ist dafür verantwortlich? Die meisten Unternehmen stellen fest, dass allein diese Stufe Probleme ans Licht bringt, von denen sie nichts wussten.
API-Fundament
Eine zuverlässige, abfragbare Datenoberfläche. Sobald die Bestandsaufnahme ehrlich ist, müssen die Daten über eine stabile Schnittstelle zugänglich sein — eine, auf die nachgelagerte Systeme, Agenten und Dashboards sich verlassen können. Das ist keine glamouröse Arbeit. Es ist die Arbeit, die alles andere erst möglich macht.
Empfehlender Agent (nur Lesen)
Der Agent empfiehlt; ein Mensch entscheidet. In dieser Stufe hat der Agent Zugang zum Datenfundament und kann Empfehlungen formulieren und begründen — Wartungsfenster, Beschaffungsvorschläge, Anomaliemeldungen. Er kann nicht handeln. Das ist eine bewusste Einschränkung, keine vorübergehende. Nur-Lesen zuerst verdient das Vertrauen, das die nächste Stufe erst möglich macht.
Prädiktive Wartung + agentischer Einkauf (mit HITL-Loop)
In dieser Stufe kann der Agent Aktionen einleiten — aber nicht ohne einen Menschen im Loop. Der HITL-Loop ist kein Engpass; er ist die Architektur. Der Agent erledigt die Recherche und die Vorarbeit; der Mensch trifft die Entscheidung.
Der HITL-Loop im agentischen Einkauf
- Lagerbestand niedrig
- Agent holt Angebote
- Agent synchronisiert Liefertermine
- Menschliche Freigabe
- Bestellung ausgelöst
Prädiktive Wartung: Referenzarchitektur
Die Architektur für prädiktive Wartung ist im Prinzip nicht komplex. In der Praxis ist sie schwierig, weil die Dateneingaben selten sauber, selten im gleichen Format und selten im Besitz desselben Teams sind. Das Diagramm zeigt den logischen Ablauf — von den Dateneingaben durch die Reasoning-Schleife des Agenten bis zu einer nachvollziehbaren Empfehlung.
Dateneingaben
Live-Daten / Digital Twin
Echtzeit-Sensordaten und der aktuelle Zustand des Digital Twin — die maßgebliche Quelle dafür, was die Maschine gerade tut.
Historie
Historische Betriebsdaten: vergangene Fehler, Wartungsaufzeichnungen, Reparaturhistorien. Der Kontext, der die aktuelle Anomalie bedeutsam oder unerheblich macht.
Dokumentation (RAG)
Handbücher, technische Spezifikationen, Service-Bulletins — zur Inferenzzeit via Retrieval-Augmented Generation abgerufen, damit der Agent gegen die tatsächliche Dokumentation schlussfolgert, nicht gegen seine Trainingsdaten.
Geschäftsdaten (ERP)
Ersatzteilbestand, Lieferantenvorlaufzeiten, geplante Produktionsfenster. Eine Wartungsempfehlung, die den Produktionsplan ignoriert, ist nicht nützlich.
Ablauf
- Anomalie erkannt
- Wartungs-Agent korreliert Signale über alle Dateneingaben
- Agent bildet Hypothese
- Hypothese gegen Kontext geprüft (Historie, Dokumentation, ERP)
- Empfehlung ausgegeben — mit Begründung und vollständigem Audit-Trail
Vom Produkt zum datengetriebenen Service
Der Business Case für KI im Maschinen- und Anlagenbau lautet nicht: ‚menschliche Arbeit ersetzen.' Er lautet: ‚auf dem Produktgeschäft, das Sie bereits haben, ein Servicegeschäft aufbauen.' Die Maschine steht beim Kunden. Die Daten, die sie produziert, gehören Ihnen. Die Frage ist, ob Sie sie nutzen.
Neue Servicemodelle
Prädiktive Wartungsverträge, zustandsbasierte Servicevereinbarungen, Verfügbarkeitsgarantien, die an Betriebsdaten geknüpft sind. Die Maschine wird zum überwachten Asset, und die Überwachung wird zu einer Umsatzlinie. Unternehmen, die diesen Schritt vollzogen haben, berichten, dass der Service-Umsatz inzwischen schneller wächst als der Anlagen-Umsatz — und mit besseren Margen.
Geringere Servicekosten
Reaktive Wartung ist teuer: Notfallteile, dringende Anreisen, Produktionsausfall, während der Techniker noch unterwegs ist. Prädiktive Wartung ersetzt den Notfall durch den geplanten Besuch — Teile im Voraus bestellt, Techniker vor der Ankunft gebrieft, Ausfallzeit geplant statt erduldet. Die Kostensenkung ist nicht marginal. Sie ist strukturell.
Kundenbindung
Ein Kunde, der einen Wartungshinweis erhält, bevor er das Problem selbst bemerkt, erlebt den Hersteller als Partner, nicht als Lieferanten. Diese Beziehung ist schwerer zu ersetzen als ein Preisvergleich. Die Datenverbindung ist auch ein Wechselkostenfaktor — kein künstlicher, sondern ein realer: Die Historie, die Kalibrierung, die Baseline befinden sich auf Ihrer Plattform.
Bessere Produkte
Flottendaten von Maschinen im Feld sind das ehrlichste Produktfeedback, das ein Hersteller erhalten kann. Ausfallmodi, die das Testlabor übersehen hat. Nutzungsmuster, die das Konstruktionsteam nicht vorhergesehen hat. Verschleißprofile, die die nächste Generation informieren. Die Unternehmen, die diese Rückkopplungsschleife in ihre Produktentwicklung einbauen, werden schneller klüger als die, die es nicht tun.
Drei Dinge, die ich aus dem Raum mitnehme
IoT liefert Daten. Die Plattform macht sie nutzbar. Der Agent macht sie wertschöpfend. In dieser Reihenfolge. Den Plattformschritt zu überspringen und direkt von Daten zu Agenten zu springen ist der Punkt, an dem die meisten Projekte ins Stocken geraten.
Agenten brauchen Kontext, Berechtigungen und Nachvollziehbarkeit — nicht nur ein Modell. Die sechs Erfolgsfaktoren, auf die der Raum sich geeinigt hat, sind keine Wünsche. Es sind die Bedingungen, unter denen Agenten verlässlich arbeiten, statt bloß beeindruckend.
Für den Maschinen- und Anlagenbau ist die Plattform der Hebel vom Produkt zum Service. Die Unternehmen, die sich am schnellsten bewegen, sind die, die zuerst in das Datenfundament investiert haben und jetzt den Service-Hebel ziehen. Die, die noch über den Piloten debattieren, bauen noch auf Sand.
Der Optimierungsreflex
Es gibt etwas Spezifisches an der deutschen Ingenieurkultur, das die KI-Frage hier schwieriger macht als in den USA oder in China. Es ist keine Technikfeindlichkeit und keine Konservativität. Es ist eine berufliche Prägung, die darauf ausgerichtet ist, das, was bereits existiert, besser zum Funktionieren zu bringen. Der Optimierungsreflex — die Ineffizienz finden, beseitigen, den Ertrag steigern — hat einige der präzisesten Fertigung der Welt hervorgebracht. Er ist auch das, was es schwierig macht zu fragen, ob das System, das optimiert wird, das richtige System ist, das betrieben werden sollte.
In Frankfurt hörte ich das am deutlichsten am Governance-Tisch. Die Fragen drehten sich darum, wie man KI in den bestehenden Prozess einpasst — wie man sicherstellt, dass Agenten innerhalb aktueller Arbeitsabläufe, aktueller Compliance-Strukturen, aktueller Berichtslinien agieren. Das sind legitime Fragen. Sie sind auch die falsche erste Frage. Die erste Frage lautet, ob der Prozess es wert ist, KI einzupassen — oder ob der Prozess das Artefakt von Einschränkungen ist, die KI beseitigt. Die Unternehmen, die sich in diesem Bereich am schnellsten bewegen, sind die, die zuerst die zweite Frage gestellt haben. Sie bauen neue Servicemodelle, keine besseren Versionen alter Prozesse.
China und die Vereinigten Staaten optimieren sich nicht in die KI-Führung. Sie bauen. Die Unterscheidung ist wesentlich: Optimierung verbessert, was man hat; Aufbau schafft, was man noch nicht hat. Der Wettbewerbsvorteil des Mittelstands lag immer in der Tiefe des Handwerks — der dreißigjährigen Beziehung zum Kunden, der Maschine, die zwanzig Jahre läuft, weil sie dafür gebaut wurde, dem Servicetechniker, der die spezifische Installation auswendig kennt. KI ersetzt diesen Vorteil nicht. Aber die Datenplattform zu bauen, die den Vorteil lesbar macht — überwachbar, verteidigbar, skalierbar — ist keine Optimierungsarbeit. Es ist Fundamentarbeit. Und sie muss zuerst kommen.
Kostensignale aus dem Raum
Ein Referent beim VDMA Praxistag KI
“Die KI-Kosten werden bald die Kosten eines qualifizierten Menschen übersteigen, der vollständig für die Arbeit verantwortlich ist. Das ist keine Warnung davor, dass KI teuer ist — es ist eine Aussage über die Verantwortlichkeitsprämie. Wenn die KI-Kosten diese Linie überschreiten, wird die Frage, wer für das Ergebnis verantwortlich ist, kommerziell unvermeidbar.”
Romano Roth, Zühlke
“GitHub Copilot ist auf tokenbasierte Abrechnung umgestellt worden. Entwickler werden dabei beobachtet, wie sie bis zu 50 Euro pro Stunde für Token ausgeben. FinOps für KI ist jetzt eine reale Disziplin — keine künftige Sorge. Nutzung ohne Transparenz ist ein Budgetproblem, das darauf wartet zu entstehen — und es entsteht gerade.”
Ein VDMA-TOP-5-Redner aus einem führenden Pumpenhersteller der Industrie hat zwei Rahmungen in Umlauf gebracht, die ich für bleibend halte. Die erste: die Metapher „Gondel oder zu Fuß?" für die KI-Adoptionsgeschwindigkeit — man erreicht den Gipfel auf beide Arten, aber die Gondel baut die Beine nicht auf. Die Entscheidung über das Tempo ist eine strategische Entscheidung, nicht nur eine technische, und Organisationen, die ausschließlich die Gondel nehmen, könnten sich am Gipfel wiederfinden, ohne die Kompetenz zu haben, dort irgendetwas Nützliches zu tun.
Die zweite: eine Rahmung als „neues Mooresches Gesetz für KI-Agenten" — die Fähigkeitskurve für Agenten verdoppelt sich auf eine Weise, die den Planungshorizont verändert. Der Agent, der heute ausreicht, wird in achtzehn Monaten deutlich leistungsfähiger sein. Für das aktuelle Fähigkeitsniveau zu bauen bedeutet, für die Obsoleszenz zu bauen.
Er zitierte auch die Zahlen, die an mehreren Tischen auftauchten: 70 % der KI-Projekte scheitern an schlechter Datenqualität und Integration — nicht an schlechten Modellen, nicht an falschen Anwendungsfällen, sondern an den Leitungen. Und annähernd null Prozent Produktivitätsgewinn durch das Aufschrauben von KI auf kaputte Prozesse. Das sind keine pessimistischen Zahlen. Es sind die Zahlen, die Ihnen sagen, wo Sie anfangen sollen: das Fundament reparieren, dann die Intelligenz hinzufügen. Foundation-first-Arbeit zur industriellen KI dieser Art — wie sie bei führenden Industrieherstellern zu sehen ist — gehört zu den besseren Beispielen für den Ansatz in der Praxis.
Die Fragen stimmen. Die Arbeit ist klar.
Die Branche stellt genau die richtigen Fragen. Wer governt den Agenten? In welche Risikostufe fällt diese Anwendung? Wie baut man ein Servicegeschäft auf einem Produktgeschäft auf, wenn die Daten vorhanden sind, die Plattform aber nicht? Was kostet es wirklich, und wer trägt Verantwortung, wenn etwas schiefgeht?
Die Antworten auf die meisten dieser Fragen existieren. Es sind keine Mysterien. Es sind Ingenieur- und Organisationsentscheidungen, die Unternehmen treffen und herausarbeiten — in Räumen wie Raum 10 in Frankfurt. Was fehlt, ist nicht Erkenntnis. Es ist die Disziplin, das Fundament zu bauen, statt um sein Fehlen herumzuoptimieren — die unglamouröse Datenarbeit zu leisten, die Berechtigungsarchitektur aufzubauen, den Audit-Trail einzurichten, den HITL-Loop zu implementieren — bevor man die beeindruckende Fähigkeit oben draufstapelt.
Das ist die Arbeit. Es ist die richtige Arbeit. Und sie ist jetzt verfügbar.