Vom Assistenten zum Akteur: Wie weit ist Agentic AI?

Was unterscheidet KI-Agenten von heutigen KI-Assistenten – und worin liegt ihr konkreter Mehrwert?

Hans Michael Krause, Bosch Rexroth: Der entscheidende Unterschied liegt im Handeln. Ein KI-Assistent beantwortet Fragen, erklärt Dokumentationen oder generiert beispielsweise Code. Die Umsetzung bleibt jedoch beim Menschen. Ein KI-Agent erhält dagegen ein Ziel, leitet daraus innerhalb eines definierten Rahmens die notwendigen Aufgaben ab und greift dafür auf Werkzeuge, Daten und Funktionen der Automatisierungsumgebung zu. Genau darin liegt der Mehrwert: KI unterstützt nicht mehr nur einzelne Arbeitsschritte, sondern kann mehrstufige Abläufe vorbereiten und ausführen. Mit CtrlX Automation haben wir dieses Prinzip jetzt auf Plattformebene verankert. Agent iXi kann dafür unterschiedliche, kuratierte Skills einsetzen – nach dem Prinzip ‚ein Agent – viele Skills‘.

Bernhard Reiter, Codesys: Ein Assistent reagiert auf eine Anfrage: Er liefert Text, Code oder einen Vorschlag, den der Mensch anschließend selbst umsetzt. Ein Agent hingegen verfolgt eigenständig ein definiertes Ziel über mehrere Schritte hinweg. Er nutzt Werkzeuge, Schnittstellen und Signale, um Objekte zu erzeugen, Konfigurationen anzupassen und Ergebnisse zu überprüfen. In der industriellen Automatisierung passiert am Ende jedoch etwas Physikalisches. Fehler können Maschinen beschädigen oder enorme Stillstandszeiten verursachen. Ein Agent muss daher Zeitverhalten, Kausalität, Sensorik, Aktorik, Sicherheitsfunktionen und einschlägige Normen berücksichtigen. Und weil ein LLM nicht echtzeitfähig ist, gehört es neben die Steuerung. Der Mehrwert: weniger Handarbeit im Engineering, schnellere Inbetriebnahme und Fehlersuche sowie die Konservierung von Wissen angesichts des Fachkräftemangels.

Frank Hägele, Copa-Data: Der entscheidende Unterschied liegt im Handlungsspielraum: Ein KI-Assistent unterstützt einzelne Arbeitsschritte und macht Vorschläge. Ein KI-Agent kann dagegen einen delegierten Auftrag in Teilaufgaben zerlegen, geeignete Werkzeuge auswählen, Aktionen ausführen und seinen Ablauf anhand der Ergebnisse anpassen – stets innerhalb klar vorgegebener Grenzen. Im industriellen Umfeld geht es dabei nicht darum, etablierte Systeme zu ersetzen. Agenten sollten vielmehr freigegebene Funktionen vorhandener Engineering- und Automatisierungssysteme nutzen. Zenon kann als offene Plattform den notwendigen Anlagenkontext und industrielle Funktionen bereitstellen. Entscheidend ist am Ende nicht nur die eingesparte Zeit, sondern der Nutzen für den Gesamtprozess.

Robert Mühlfellner, Neuron Automation: Ein KI-Assistent reagiert in der Regel auf eine einzelne Anfrage und liefert einen Vorschlag. Ein KI-Agent verfolgt dagegen ein definiertes Ziel über mehrere Arbeitsschritte hinweg: Er nutzt Werkzeuge, bezieht den Projektkontext ein, erzeugt zusammengehörige Artefakte und kann Zwischenergebnisse prüfen. In der aktuellen Branchenumfrage, die wir gemeinsam mit dem SPS-MAGAZIN durchgeführt haben, bewerten rund 80 Prozent das KI-Potenzial mindestens als mittel – die klare Erwartung ist aber Assistenz, nicht autonome Instanz. Genau darauf haben wir unseren KI-Ansatz ausgerichtet: als Feature bzw. Add-on für unser bestehendes Engineering-Tool statt als eigenständiges Produkt. Aus einer Anforderung leitet der Agent automatisch Code, Testfälle und Dokumentation ab und führt sie bei Änderungen konsistent nach. Die fachliche Prüfung und Freigabe bleiben beim Ingenieur.

Dr. Veronika Straub, Phoenix Contact: Der wesentliche Unterschied besteht darin, dass ein KI-Assistent auf Anfragen reagiert, während ein KI-Agent eigenständig auf ein definiertes Ziel hinarbeitet. Assistenten liefern Informationen, Analysen oder Inhalte, etwa zur Code-Generierung, Fehlersuche oder Dokumentation. KI-Agenten gehen weiter: Sie planen Abläufe, beziehen verschiedene Datenquellen ein, interagieren über Schnittstellen mit Systemen, nutzen Werkzeuge, bewerten Ergebnisse und leiten daraus Handlungsschritte ab oder führen sie aus. Der eigentliche Mehrwert in der Industrie entsteht damit nicht durch bessere Antworten, sondern durch die Fähigkeit, aus Informationen eigenständig die nächsten sinnvollen Schritte herzuleiten und Prozesse anzustoßen. Dadurch werden Fachkräfte entlastet und Reaktionszeiten verkürzt.

Dr. Josef Waltl, Software Defined Automation: Ein Assistent reagiert, ein Agent handelt. Heutige KI-Assistenten beantworten Fragen, generieren Code-Vorschläge oder fassen Dokumentationen zusammen – immer auf konkrete Anfrage, ohne eigenen Handlungsspielraum. Ein KI-Agent hingegen verfolgt ein Ziel über mehrere Schritte hinweg: Er plant, prüft Zwischenergebnisse, trifft Teilentscheidungen und interagiert dabei mit realen Systemen. Damit das funktioniert, braucht er aber eine verlässliche Grundlage: den tatsächlichen Zustand von Engineering- und Produktionssystemen. Es braucht eine Schicht zwischen KI-Modell und Maschine, die Programmstände, Steuerungslogik und Änderungshistorie maschinenlesbar macht – eine Art System of Record für Soll und Ist der Anlage. Ohne sie bleibt jeder Agent ein Assistent mit größeren Ambitionen, aber ohne echten Boden unter den Füßen.

Dr. Axel Zein, WSCAD: Der entscheidende Unterschied ist für mich die Handlungsfähigkeit. Ein KI-Assistent wartet auf eine Anfrage: Er beantwortet Fragen, findet Informationen oder hilft bei einer einzelnen Aufgabe. Ein KI-Agent bekommt dagegen ein Ziel und kann selbstständig überlegen, welche Schritte notwendig sind, diese ausführen, das Ergebnis überprüfen und gegebenenfalls nachsteuern. Nehmen wir das Engineering einer Maschine: Ein Assistent kann erklären, wie eine bestimmte Funktion umgesetzt wird oder bei der Auswahl einer Komponente helfen. Ein Agent könnte dagegen die Anforderungen eines Projekts analysieren, passende Komponenten auswählen, Engineering-Regeln und Unternehmensstandards berücksichtigen, die Konstruktion im Engineering-System umsetzen und anschließend prüfen, ob definierte Anforderungen eingehalten wurden. Der Mehrwert liegt deshalb nicht nur darin, einzelne Tätigkeiten schneller zu machen. KI-Agenten können zusätzliche Engineering-Kapazität schaffen. Das halte ich für den wesentlich größeren Hebel.

In welchen Bereichen der Automatisierung sehen Sie derzeit das größte Potenzial für KI-Agenten?

Hans Michael Krause, Bosch Rexroth: Das Potenzial zieht sich durch den gesamten Maschinenlebenszyklus. Besonders groß ist es zunächst im Engineering, weil hier viele zeitaufwendige, wissensintensive und repetitive Aufgaben anfallen. Ein KI-Agent kann Informationen aus unterschiedlichen Quellen zusammenführen, Engineering-Aufgaben vorbereiten oder ausführen und Code erzeugen. Perspektivisch sehen wir ebenso großes Potenzial im laufenden Betrieb und in der Instandhaltung: Dort kann ein Agent Maschinen- und Prozessdaten einbeziehen, Zusammenhänge analysieren und daraus konkrete Handlungsschritte ableiten. Entscheidend ist, dass er nicht isoliert arbeitet, sondern Zugriff auf den notwendigen Automatisierungskontext erhält. Über entsprechende Skills werden ihm das erforderliche Domänenwissen und die passenden Fähigkeiten bereitgestellt.

Bernhard Reiter, Codesys: Das größte konkrete Potenzial sehe ich im Engineering: Code aus einer Spezifikation erzeugen, Refactoring, Migration bestehender Projekte, Visualisierungen und Testfälle erstellen sowie Gerätekonfiguration. All das ist bereits mit Codesys möglich, wenn die IDE über eine entsprechende Agenten-Schnittstelle verfügt. Bei der Inbetriebnahme können Agenten Signale plausibilisieren, parametrieren, Soll/Ist-Abgleiche durchführen und beim iterativen Testen gegen eine Simulation unterstützen. In der Instandhaltung können sie Online-Werte, Alarmhistorien, Logs und Code korrelieren und so Ursachen für Anlagenstillstände schneller identifizieren. Die laufende Produktion braucht dagegen in der Regel keinen Agenten, der ständig neu entscheidet. Dort kann er beispielsweise Empfehlungen zur Optimierung von Energie, Rezepturen oder Scheduling geben.

Frank Hägele, Copa-Data: Das größte Potenzial liegt darin, bislang getrennte Disziplinen gemeinsam zu optimieren. Produktion, Energieversorgung, Gebäudetechnik und Instandhaltung sollten zusammen betrachtet und mit der IT verbunden werden. Zenon kann dafür als gemeinsame Integrationsbasis dienen. Auch im Engineering können Agenten früh ansetzen: Sie können Anforderungen in verständliche Anwendungsbeschreibungen, priorisierte Feature-Listen und Abnahmekriterien überführen. Ein weiteres Zielbild ist eine kontextbezogene Agentic UI. Bei einer Störung könnte sie passende Trends, Alarmhistorien, Dokumentation und zulässige Maßnahmen zusammenführen, damit Anwender relevante Informationen nicht aus mehreren Anwendungen zusammensuchen müssen.

Robert Mühlfellner, Neuron Automation: Das größte kurzfristige Potenzial sehen wir im Engineering – das deckt sich mit den Zahlen unserer Umfrage: 80 Prozent sehen KI-Nutzen bei der Dokumentationserstellung, 72 Prozent bei der Testautomatisierung und 66 Prozent bei Validierung und Verifikation, aber nur 47 Prozent bei automatisierter Safety-Code-Generierung. Die Akzeptanz ist also dort am höchsten, wo KI unterstützt und der Mensch prüft. Aus einer Anforderung wie ‚Wenn Not-Halt betätigt, dann Motor abschalten‘ lassen sich Code, Testszenarien und Prüfdokumentation automatisiert erzeugen. In der Instandhaltung sehen wir Potenzial bei Diagnose und Wissensbereitstellung. In der laufenden Produktion werden Agenten zunächst eher analysieren und Vorschläge liefern.

Dr. Veronika Straub, Phoenix Contact: Das größte kurzfristige Potenzial liegt im Engineering. Fachkräfte verbringen dort viel Zeit mit Informationssuche, Konfiguration, Dokumentation und wiederkehrenden Entwicklungsaufgaben. KI-Assistenten unterstützen bereits bei der Code-Generierung, Dokumentation oder Wissensrecherche. KI-Agenten können künftig ganze Engineering-Workflows planen, koordinieren und teilweise ausführen. Ein weiteres wichtiges Einsatzfeld ist die Instandhaltung. Grundlage sind dabei Machine-Learning-Anwendungen wie das Softwarepaket MLnext, die Anomalien erkennen, Ausfallwahrscheinlichkeiten prognostizieren oder Anlagenzustände bewerten. Erst auf dieser Basis kann ein Agent Dokumentationen, Service-Systeme und Betriebswissen verknüpfen, um Ursachenanalysen durchzuführen, Maßnahmen zu priorisieren und Folgeprozesse anzustoßen. Ähnliches gilt für die Produktion: Machine Learning liefert Erkenntnisse, Agentic AI kombiniert sie mit Kontext und leitet daraus Handlungen ab.

Dr. Josef Waltl, Software Defined Automation: Das größte kurzfristige Potenzial sehe ich im Engineering und in der Instandhaltung, weniger in der laufenden Produktion. Im Engineering können Agenten heute schon Steuerungsprogramme vergleichen, Abweichungen zwischen Soll- und Ist-Konfiguration aufspüren oder Migrationen vorbereiten. In der Instandhaltung können sie aus Versionshistorien und Änderungsmustern ableiten, wann und wo ein Eingriff nötig wird, bevor ein Ausfall passiert. Beide Bereiche setzen auf strukturierten Zustandsdaten auf – dem State Layer of Physical AI. In der laufenden Produktion mit ihren harten Echtzeit- und Sicherheitsanforderungen, ist der Einsatz vorsichtiger zu bewerten. Dort sind Agenten heute eher Berater für den Menschen als eigenständig Handelnde.

Dr. Axel Zein, WSCAD: Kurzfristig sehe ich das größte Potenzial im Engineering. Dort arbeiten wir bereits mit digitalen Informationen, klaren technischen Strukturen, Regeln, Normen, Stücklisten, Komponenten- und Projektdaten. Gleichzeitig gibt es viele zeitaufwendige Aufgaben, die hochqualifizierte Ingenieure und Konstrukteure binden. Ein Agent kann z.B. Anforderungen analysieren, bestehende Projekte durchsuchen, Komponenten auswählen, Varianten erzeugen, Projekte auf Inkonsistenzen prüfen oder Teile der Dokumentation erstellen. Besonders interessant wird es, wenn der Agent einen vollständigen Arbeitsauftrag erhält. In Produktion und Instandhaltung sehe ich ebenfalls großes Potenzial, etwa bei Fehlerdiagnose, Optimierung oder vorausschauender Wartung. Dort ist die Hürde zur Autonomie aber höher, weil eine falsche Entscheidung unmittelbar auf einen physischen Prozess wirken kann. Das macht Engineering zum idealen Einstiegspunkt für agentische KI.

Was steht einem industriellen Einsatz von KI-Agenten noch im Weg – Technologie, Datenbasis, Integration, Security, Regulierung oder fehlendes Vertrauen?

Hans Michael Krause, Bosch Rexroth: Es ist das Zusammenspiel mehrerer Faktoren. Ein leistungsfähiges Sprachmodell reicht für den industriellen Einsatz nicht aus. Ein KI-Agent benötigt sicheren Zugriff auf relevante Daten, Werkzeuge und Funktionen sowie den fachlichen Kontext, um Aufgaben zuverlässig ausführen zu können. Gleichzeitig müssen seine Handlungen nachvollziehbar und kontrollierbar sowie in bestehende Rechte- und Sicherheitskonzepte eingebettet sein. Hinzu kommen organisatorische und regulatorische Anforderungen. Für den breiten industriellen Einsatz braucht es daher eine Architektur, die diese Anforderungen technisch abbildet. Bei CtrlX Automation gehören dazu u.a. definierte Nutzerrechte, die Protokollierung von Aktionen und kuratierte Skills. Über einen MCP-Server erhält der Agent kontrollierten Zugriff auf die benötigten Werkzeuge und Funktionen. Welche zusätzlichen Safety- und Compliance-Maßnahmen erforderlich sind, muss für den jeweiligen Anwendungsfall bewertet werden.

Bernhard Reiter, Codesys: Fehlender Determinismus und Nachvollziehbarkeit, ungeklärte Haftungsfragen sowie Halluzinationen bremsen Vertrauen und Akzeptanz. Weil der Agent einen neuen Zugriffspfad in die OT schafft, müssen zudem Security-Fragen geklärt sein: Rechte- und Rollenkonzepte, Cloud oder On-Premise sowie Vorgaben wie IEC62443 oder NIS2/CRA. Heute wissen viele Anwender nicht, was bereits möglich ist – oder haben überzogene Erwartungen. Beides bremst die Einführung. Ohne geeignete Schnittstellen ist der Agent zudem blind: Er braucht Zugriff auf Steuerung, Sensoren und Projektdaten. Im Brownfield dominieren proprietäre Protokolle ohne Semantik. Standardisierte, semantische Schnittstellen sind deshalb eine Voraussetzung. Hinzu kommt, dass Anlagenwissen häufig nur in den Köpfen der Mitarbeiter, in PDFs oder alten Kommentaren steckt und damit wichtige maschinenlesbare Kontextinformationen fehlen.

Frank Hägele, Copa-Data: Eine zentrale Hürde ist der fehlende gemeinsame Anlagenkontext. Der Zugriff auf Daten allein reicht nicht. Agenten benötigen eindeutig beschriebene Betriebsmittel, nachvollziehbare Zustände, fachliche Zusammenhänge und kontrollierte Schnittstellen für zulässige Handlungen. Deshalb haben offene Integration und konsistente Informationen Vorrang vor neuen Datensilos. Zugleich müssen Unternehmen ihre Arbeitsabläufe überdenken. Bestehende Silos lediglich mit KI auszustatten, greift zu kurz. Hinzu kommt der geregelte Betrieb: Zuständigkeiten, Qualifikation, Security, Prüfungen und Updates müssen von Beginn an eingeplant werden. Ein überzeugender Prototyp ersetzt weder einen belastbaren Business Case noch eine skalierbare Lösung.

Robert Mühlfellner, Neuron Automation: Es bremst nicht ein einzelner Faktor, sondern die noch nicht durchgängig geschlossene Kette. Cybersecurity und Zertifizierung bzw. Normenkonformität wurden in unserer Umfrage am häufigsten als Hürden genannt. Die Bedenken drehen sich vor allem um Verifizierung und Nachweisführung, Fehler und Halluzinationen sowie Nachvollziehbarkeit – die Black Box bleibt ein zentrales Thema. Ein Modell braucht deshalb verlässlichen Domänen- und Projektkontext, muss tief in bestehende Engineering-Werkzeuge integriert sein und Ergebnisse müssen reproduzierbar geprüft, versioniert und rückverfolgt werden können. Hinzu kommt die Datenhoheit. Vertrauen entsteht durch klare Grenzen, belastbare Tests und transparente Verantwortlichkeiten.

Dr. Veronika Straub, Phoenix Contact: Die größte Herausforderung liegt weniger in der KI-Technologie selbst als in ihrer Integration in industrielle Umgebungen. Ein KI-Agent ist nur so leistungsfähig wie die Daten und Systeme, auf die er zugreifen kann. Relevante Informationen befinden sich häufig noch in Silos: in Maschinen, Steuerungen, Datenbanken, Cloud-Anwendungen sowie Engineering- und Geschäftssystemen. Bevor Agenten Entscheidungen treffen oder Prozesse automatisieren können, müssen diese Quellen verbunden und in einen gemeinsamen Kontext gebracht werden. Hier setzen IIoT-Frameworks, Konnektoren und offene Ökosysteme wie PLCnext Technology an. Die Einbindung in MLnext ermöglicht es Daten unterschiedlicher Quellen zusammenzuführen und nutzbare Transparenz zu schaffen. Ebenso wichtig sind Cyber Security, Nachvollziehbarkeit, regulatorische Anforderungen und klare Verantwortlichkeiten. Unternehmen werden Agenten erst dann operative Aufgaben übertragen, wenn ihr Verhalten kontrollierbar, auditierbar und vertrauenswürdig ist.

Dr. Josef Waltl, Software Defined Automation: Am meisten unterschätzt wird die Datenbasis. Diskutiert wird viel über Modellfähigkeiten, Security oder Regulierung – doch die eigentliche Hürde liegt oft eine Ebene tiefer: Viele Werke wissen nicht, welcher Programmstand auf welcher SPS läuft oder wer ihn zuletzt geändert hat. Allein im August haben wir über unsere Plattform mehr als 4.000 Fälle gesehen, in denen auf einer Steuerung etwas anderes lief als die vorgesehene Version. Ohne diesen Zustandsbasis fehlt jedem Agenten die verlässliche Grundlage für Entscheidungen. Hinzu kommt die Heterogenität gewachsener Anlagenlandschaften. Security und Regulierung bleiben unverzichtbar. Entscheidend bleibt fehlendes Vertrauen: Das entsteht nicht per Modell-Update, sondern durch Transparenz. Genau diese Nachvollziehbarkeit ist entscheidend, damit KI-Agenten vom Pilotprojekt in den industriellen Maßstab gelangen.

Dr. Axel Zein, WSCAD: Von allem etwas, aber ich halte Vertrauen und Nachvollziehbarkeit für die entscheidenden Punkte. In der Industrie reicht es nicht, dass eine KI eine plausible Antwort liefert. Wenn ein Agent eine technische Lösung verändert, müssen wir nachvollziehen können, warum: Welche Anforderungen wurden berücksichtigt? Welche Normen und Regeln wurden angewendet? Welche Daten und welches Engineering-Wissen lagen zugrunde? Die gesamte Traceability muss nachvollziehbar sein. Dazu kommt die Integration. Ein Agent muss auf Engineering-Daten, Unternehmenswissen und relevante Softwaresysteme zugreifen und dort kontrolliert Aktionen ausführen können. Genau diese Verbindung zwischen generativer KI, strukturierten Engineering-Daten und ausführbaren Aktionen ist technisch anspruchsvoll. Die entscheidende Voraussetzung für den industriellen Durchbruch wird deshalb aus meiner Sicht nicht maximale Autonomie sein, sondern vertrauenswürdige Autonomie.

Hans Michael Krause

Director Partner Ecosystem

Bosch Rexroth

Bernhard Reiter

Product Manager

Codesys

Frank Hägele

Sales Director und Prokurist

Copa-Data Deutschland

Robert Mühlfellner

CTO

Neuron Automation

Dr. Veronika Straub

Portfolio Manager System Design

Phoenix Contact, Bad Pyrmont

Dr. Josef Waltl

Founder & CEO

Software Defined Automation

Dr. Axel Zein

CEO

WSCAD