Industrial AI verspricht effizientere Prozesse, höhere Anlagenverfügbarkeit und bessere Entscheidungen auf Basis industrieller Daten. Bei neuen Produktionsanlagen lassen sich die dafür erforderlichen Daten- und Softwarearchitekturen bereits in der Planung berücksichtigen. Im Brownfield ist die Ausgangslage schwieriger: Unterschiedliche Steuerungsgenerationen, proprietäre Schnittstellen, isolierte Datenbanken und historisch gewachsene Namenskonventionen erschweren es, Informationen konsistent zusammenzuführen. Die entscheidende Hürde für Industrial AI liegt deshalb häufig nicht beim Algorithmus, sondern bei einer fragmentierten oder nicht ausreichend kontextualisierten Datenbasis.
Damit gewinnt Retrofit eine neue strategische Bedeutung. Es geht nicht mehr nur darum, veraltete Komponenten zu modernisieren oder die Lebensdauer von Anlagen zu verlängern. Ein modernes Retrofit schafft die Voraussetzungen, Bestandsanlagen in offene, softwarebasierte Automatisierungsarchitekturen einzubinden und hochwertige Daten für KI-Anwendungen bereitzustellen – ohne die gesamte Anlage ersetzen zu müssen.
Neues Verständnis von Retrofit
Klassische Retrofit-Projekte konzentrieren sich häufig auf einzelne Komponenten: Ein Bedienpanel oder Industrie-PC wird ersetzt, eine Steuerung modernisiert oder ein veraltetes Protokoll über ein Gateway auf eine neue Schnittstelle umgesetzt. Solche Maßnahmen sichern die technische Verfügbarkeit, schaffen aber noch keine belastbare Grundlage für Industrial AI. Für datengetriebene Anwendungen müssen Prozesswerte mit Anlagenstrukturen, Betriebszuständen, Produktionsaufträgen, Rezepturen, Chargen, Alarmen und Qualitätsdaten verknüpft werden. Der entscheidende Hebel liegt deshalb zunehmend in der Modernisierung der Software- und Datenarchitektur. Ein Software-first-Ansatz bedeutet dabei nicht, dass Hardware ihre Bedeutung verliert. Zeitkritische Steuerungsfunktionen, Safety-Anwendungen und Motion-Aufgaben bleiben eng mit geeigneten Hardwareplattformen bzw. Edge-Systemen verbunden. Visualisierung, Datenverarbeitung, Integration und Historisierung lassen sich dagegen zunehmend von fest zugeordneten Geräten entkoppeln und in virtualisierten oder containerisierten Umgebungen betreiben.
Drei Ebenen für Industrial AI
Eine belastbare Industrial-AI-Architektur im Brownfield lässt sich in drei aufeinander aufbauende Ebenen gliedern: Infrastruktur, Information sowie intelligente und agentische Anwendungen.
1. Infrastructure Layer: Betrieb beherrschbar machen
Die unterste Ebene schafft die technischen und organisatorischen Voraussetzungen für einen stabilen Betrieb. Dazu gehören die sichere Anbindung vorhandener OT-Systeme, geeignete Edge- oder Server-Infrastrukturen und klar definierte Betriebsmodelle. Virtualisierung und Containerisierung helfen dabei, Softwarefunktionen unabhängiger von einzelnen Hardwaregenerationen bereitzustellen. Ebenso wichtig sind geregelte Prozesse für Deployment, Versionierung, Updates, Monitoring und Wiederherstellung. Ohne dieses Fundament bleiben KI-Anwendungen häufig isolierte Pilotprojekte und lassen sich weder sicher skalieren noch zuverlässig in den industriellen Betrieb überführen.
2. Information Layer: Daten in Kontext setzen
Ein Temperaturwert, Energieverbrauch oder eine Ventilstellung besitzt für sich genommen nur begrenzte Aussagekraft. Erst der Zusammenhang mit Anlage, Prozessschritt, Produkt, Rezeptur, Charge und Betriebszustand macht daraus verwertbare Information. Daten aus unterschiedlichen Quellen müssen deshalb nicht nur technisch angebunden, sondern vereinheitlicht, qualifiziert und semantisch beschrieben werden. Standardisierte Modelle und Strukturen unterstützen diese Kontextualisierung, etwa die Asset Administration Shell (AAS), Module Type Package (MTP), ISA88-basierte Modelle sowie einheitlich beschriebene Tags, Events, Alarme und Zustände. Ziel ist ein konsistentes Informationsmodell, das sich über Maschinen, Anlagen und Standorte hinweg wiederverwenden lässt und Analysewerkzeugen sowie KI-Anwendungen eine gemeinsame Informationsbasis bietet.
3. Agentic Engineering and Operations: Handlungen ableiten
Auf der dritten Ebene entstehen intelligente Anwendungen und agentische Workflows. Dazu zählen Analysemodelle, Predictive Maintenance, Assistenzsysteme und zunehmend KI-Agenten, die Informationen aus verschiedenen Quellen kombinieren und definierte Aufgaben eigenständig bearbeiten. Technologien wie Retrieval-Augmented Generation (RAG), standardisierte Werkzeugzugriffe über das Model Context Protocol (MCP) oder die Kommunikation zwischen spezialisierten Agenten können neue Formen industrieller Assistenz ermöglichen. Voraussetzung sind jedoch belastbare Infrastruktur- und Informationsschichten. So könnte ein Agent einen steigenden Energiebedarf einer Pumpe erkennen, den Betriebszustand prüfen, vergleichbare Produktionsläufe und die Alarmhistorie analysieren sowie Wartungsinformationen auswerten. Daraus ließen sich eine mögliche Ursache und ein geeignetes Wartungsfenster ableiten. Ohne Anlagenkontext bliebe lediglich die Information, dass der Energieverbrauch gestiegen ist.
Kontext statt Datenmengen
Über den wirtschaftlichen Nutzen von KI-Anwendungen entscheidet nicht allein die Datenmenge, sondern vor allem deren Qualität und fachlicher Kontext. Bei einem thermischen Produktionsprozess reicht beispielsweise die Temperaturkurve allein nicht aus, um Abweichungen zuverlässig zu bewerten. Erst die Verbindung mit Rezeptur, Chargengröße, Aufheizphase, Ventilzuständen, Energiezufuhr und Qualitätsergebnis ermöglicht eine belastbare Analyse. Auch große Mengen historischer Messwerte kompensieren keinen fehlenden Kontext. Sind etwa Betriebszustände oder Produktwechsel nicht dokumentiert, kann ein Modell normale Prozesswechsel fälschlicherweise als Anomalien einstufen. Ein modernes Retrofit muss deshalb über reine Konnektivität hinausgehen und Datenqualität, Semantik sowie Lifecycle-Management einbeziehen.
