Wie viel Autonomie verträgt die industrielle Automatisierung?

Wo dürfen KI-Agenten autonom entscheiden, wo muss der Mensch die letzte Instanz bleiben – und wie bleiben Verantwortung und Nachvollziehbarkeit gewährleistet?

Hans Michael Krause, Bosch Rexroth: Mit dem Geltungsbeginn der neuen MVO im Januar 2027 wird die regulatorische Landschaft für autonome KI-Agenten in der Industrie neu definiert. In nicht sicherheitsrelevanten Bereichen ist eine autonome Steuerung durch KI-Agenten zulässig und aus unserer Sicht zu begrüßen. Beispiele sind Prozess- und Effizienzoptimierung, Predictive Maintenance und Qualitätskontrolle. Sobald KI-Systeme Sicherheitsrelevanz in Maschinen haben, sind künftig deren strenge Vorgaben zu beachten. Verantwortung und Nachvollziehbarkeit sichern wir durch das Prinzip ‚Safety by Design‘. Das bedeutet: lückenlose Protokollierung aller KI-Entscheidungen und Interaktionen in Echtzeit, strikte Trennung von optimierender KI und Sicherheitssteuerung sowie umfangreiches Rechte- und Rollenkonzept. Der Anwender entscheidet, was der Agent darf und was nicht. In ctrlX Automation können Aktionen entsprechend protokolliert und Änderungen nachvollzogen werden. Autonomie und Kontrolle gehen für uns miteinander einher – erst klare Leitplanken machen industrielle Autonomie möglich.

Bernhard Reiter, Codesys: Der Agent darf frei lesen, analysieren und Vorschläge machen. Änderungen im Projekt müssen einem Review unterzogen werden, für Eingriffe in die laufende Anlage ist eine definierte Freigabe verpflichtend. Sicherheitsfunktionen dagegen bleiben stets tabu. Im Engineering dienen Compiler, statische Analyse, Tests, Simulation und Versionsverwaltung als Sicherheitsnetz. Zur Laufzeit bleibt die deterministische Steuerung die maßgebliche Instanz. Der Mensch entscheidet beim Download auf die Steuerung, bei Grenzwerten, bei allen sicherheitsrelevanten Aspekten und bei jedem Eingriff im laufenden Betrieb. Schließlich trägt er die Verantwortung. Zur Nachvollziehbarkeit wird jede Agentenaktion einschließlich Begründung protokolliert. Vorschlag und Ausführung werden strikt getrennt. Harte Grenzen, wie Verriegelungen oder Bereichsprüfungen, gehören in die SPS und nicht in den Agenten: Das deterministische System begrenzt das nichtdeterministische, nicht umgekehrt.

Frank Hägele, Copa-Data: Autonomie muss technisch und organisatorisch klar begrenzt sein. Für den Einstieg eignen sich Analysen, Entwürfe und abgegrenzte Routinen. Eingriffe in den Anlagenbetrieb dürfen nur über freigegebene Aktionen und innerhalb geprüfter Betriebsgrenzen erfolgen. Die erforderlichen Berechtigungen müssen außerhalb des KI-Modells durchgesetzt werden. Der Mensch legt Ziele, Befugnisse und Abnahmekriterien fest und bleibt verantwortlich. Das bedeutet aber nicht, dass er jeden Arbeitsschritt manuell bestätigen muss. Sicherheitsgerichtete Schutzfunktionen müssen unabhängig vom generativen Agenten wirksam bleiben. Ebenso wichtig ist die Nachvollziehbarkeit: Aktionen, Datenstände, Systemversionen und Freigaben sind zu protokollieren. Eingriffe müssen gestoppt und definierte Rückfallebenen aktiviert werden können. Die Oberfläche muss unterscheiden, was vorgeschlagen und was bereits ausgeführt wurde.

Robert Mühlfellner, Neuron Automation: KI-Agenten dürfen innerhalb eines klar definierten, technisch abgesicherten Handlungsspielraums autonom arbeiten – etwa Informationen zusammenführen, Code- und Testvarianten erzeugen, Tests ausführen oder Dokumentation aktualisieren. Bei sicherheitsrelevanten Entscheidungen und der Freigabe von Schutzfunktionen muss der qualifizierte Mensch die letzte Instanz bleiben. In unserem Ansatz ist die KI daher eine Beschleunigungsschicht und kein unverifizierter Bestandteil der Sicherheitsfunktion. Nachvollziehbarkeit erfordert eine lückenlose Verbindung von Anforderung, generiertem Code, Test und Dokumentation sowie dokumentierte Freigaben, damit eindeutig bleibt, wer welche Entscheidung verantwortet.

Dr. Veronika Straub, Phoenix Contact: KI-Agenten sollten dort autonom agieren dürfen, wo Auswirkungen beherrschbar sind und Entscheidungen jederzeit überprüft werden können. Dazu zählen etwa Datenanalysen, die Priorisierung von Wartungsmaßnahmen sowie die Dokumentation oder Optimierung von Engineering-Workflows. Anders ist es bei sicherheitskritischen Funktionen, qualitätsrelevanten Produktionsentscheidungen oder Eingriffen in laufende Anlagen. Je größer der Einfluss auf Safety, Verfügbarkeit oder wirtschaftliche Risiken, desto wichtiger wird der Mensch als letzte Instanz. In der Praxis wird er daher zunächst im Loop bleiben. Der Agent sammelt Informationen, plant Maßnahmen und gibt Empfehlungen, der Mensch erteilt die finale Freigabe. Entscheidend für die Akzeptanz sind Transparenz und Nachvollziehbarkeit. Anwender müssen erkennen können, welche Daten genutzt wurden, welche Schlüsse daraus entstanden sind und warum eine Handlung empfohlen wird.

Dr. Josef Waltl, Software Defined Automation: Die Grenze verläuft für mich entlang von Reversibilität und Kritikalität, nicht entlang von Anwendungsfeldern. Autonome Entscheidungen sind dort vertretbar, wo Fehler früh sichtbar und folgenlos sind – etwa beim Erkennen unautorisierter Änderungen, beim Priorisieren von Wartungsmaßnahmen oder beim Vorschlagen von Konfigurationsanpassungen. Sobald ein Agent schreibend in eine laufende Steuerung eingreift – etwa bei SPS-Downloads oder Änderungen an Sicherheitslogik oder Produktionsparametern – gehört die letzte Entscheidung in menschliche Hand: Ein Agent schlägt die Änderung vor, ein Ingenieur gibt sie frei. Verantwortung und Nachvollziehbarkeit setzen voraus, dass jede Agentenaktion auf einem geprüften, historisierten Zustand aufbaut und lückenlos protokolliert wird, was der Agent gesehen und vorgeschlagen hat und warum. Genau das leistet eine Zustandsschicht als System of Record für Soll und Ist der Anlage: Sie macht Agentenentscheidungen auditierbar und schafft die Grundlage, auf der Menschen guten Gewissens delegieren können – abgestuft, nicht pauschal.

Dr. Axel Zein, WSCAD: Ich würde Autonomie nicht mit einer einzigen Grenze definieren. Sie muss vom Risiko und von der Tragweite einer Entscheidung abhängen. Ein Agent kann innerhalb klar definierter Regeln viele Aufgaben autonom erledigen. Je größer aber die möglichen Auswirkungen auf Menschen, Anlagen oder Sicherheit werden, desto stärker müssen Validierung und menschliche Freigabe sein. Bei sicherheitskritischen Entscheidungen muss der verantwortliche Ingenieur immer die letzte Instanz bleiben. Entscheidend ist, dass wir nicht nur das Ergebnis speichern, sondern auch nachvollziehen können, wie es entstanden ist. Welche Anforderungen, Regeln, Normen und Daten haben zu einer Entscheidung geführt? Was hat der Agent verändert? Was wurde automatisch validiert und was vom Menschen freigegeben? Je autonomer ein System handelt, desto wichtiger wird die Nachvollziehbarkeit seiner Entscheidungen. Verantwortung lässt sich nicht an einen Algorithmus delegieren.

Wie verändern KI-Agenten das Engineering – und welche Aufgaben bleiben künftig beim Automatisierer?

Hans Michael Krause, Bosch Rexroth: Engineering wird dadurch nicht überflüssig, aber die Arbeitsteilung verändert sich deutlich. Heute verbringen Automatisierer viel Zeit damit, Informationen zu suchen, Werkzeuge zu bedienen, Code zu erstellen oder wiederkehrende Arbeitsschritte manuell auszuführen. Solche Tätigkeiten kann ein Agent zunehmend übernehmen. Der Mensch wird damit stärker vom Ausführenden zum Gestalter und Entscheider: Er definiert Ziele und Anforderungen, bewertet Ergebnisse, trifft grundlegende Architekturentscheidungen und legt die Grenzen fest, innerhalb derer die KI handeln darf. Gleichzeitig bleibt tiefes Automatisierungswissen wichtig. Denn ein Agent kann nur dann zuverlässig handeln, wenn ihm das notwendige Domänenwissen und die richtigen Werkzeuge zur Verfügung stehen. Bei ctrlX Automation fließt das Wissen von Rexroth-Experten in kuratierte Skills ein, die der Agent für konkrete Aufgaben nutzen kann.

Bernhard Reiter, Codesys: Der Schwerpunkt verschiebt sich vom Programmieren zum Spezifizieren und Prüfen: Anforderungen müssen präzise formuliert, Prozesse verstanden, das Ergebnis abgenommen werden. Testframeworks ermöglichen es Agenten, ihre Ergebnisse selbstständig zu prüfen. Entsprechend gewinnen testorientiertes Denken und Architekturverständnis an Bedeutung. Klare Projektstrukturen, Bibliotheken und Standards werden wichtiger, denn damit arbeiten Agenten besser als mit historisch gewachsenem Code. Compiler, statische Analyse und Tests werden zum Qualitätstor für den Agenten-Output. Die IDE entwickelt sich zur Plattform, auf der Mensch und Agent gemeinsam arbeiten. Beim Menschen bleiben Prozess- und Anlagenverständnis, Sicherheitskonzept, Verantwortung und Abnahme. Der Einstieg für Prozessexperten ohne tiefgehende SPS-Kenntnisse wird erleichtert. Gleichzeitig besteht das Risiko, dass wertvolles Knowhow verloren geht, wenn irgendwann niemand mehr den Code wirklich versteht.

Frank Hägele, Copa-Data: Das Engineering verschiebt sich vom Detailprogrammieren stärker in Richtung Systemgestaltung. KI kann entlang der gesamten Engineering-Kette unterstützen, von der Spezifikation und P&ID-Auswertung bis zur Inbetriebnahme und Weiterentwicklung. Prozessverständnis, Architekturentscheidungen, das Abwägen von Zielkonflikten und die unabhängige Abnahme bleiben jedoch Aufgaben des Automatisierers. Entscheidend ist Wiederverwendung statt beliebiger Codegenerierung. Zenon ermöglicht bereits automatisiertes Engineering über Wizards und Schnittstellen. Agenten könnten diese Werkzeuge und freigegebene Bibliotheken künftig koordinieren.

Robert Mühlfellner, Neuron Automation: Klassisches Engineering wird sich von der manuellen Erstellung einzelner Artefakte hin zur Steuerung und Absicherung des Gesamtprozesses verschieben. Unsere Branchenumfrage zeigt, wo dieser Wandel beginnt: 89 Prozent der Befragten befürworten KI-gestützte Dokumentation. Routinearbeit wie Codegerüste, Testentwürfe, Dokumentation oder die Übertragung zwischen Werkzeugen werden also zuerst abnehmen. Beim Automatisierer bleiben Aufgaben, die Erfahrung und Verantwortung verlangen: Anforderungen präzisieren, das Gesamtkonzept festlegen, Randfälle bewerten sowie Ergebnisse verifizieren und freigeben. Domänenwissen verliert damit nicht an Bedeutung, sondern wird zur Voraussetzung, um KI-Ergebnisse belastbar beurteilen zu können. Der Automatisierer wird so vom Übersetzer zwischen Dokumenten und Werkzeugen stärker zum Systemarchitekten und Prüfer.

Dr. Veronika Straub, Phoenix Contact: KI-Agenten werden Ingenieure oder Automatisierer voraussichtlich nicht ersetzen, aber die Art der Engineering-Arbeit verändern. Viele Fachkräfte verbringen heute Zeit mit Informationssuche, Dokumentation, Parametrierung, Fehlersuche oder der Wiederverwendung bestehender Lösungen. Diese Tätigkeiten eignen sich für KI-Assistenten und künftig für KI-Agenten. Die Rolle des Ingenieurs verschiebt sich von der manuellen Erstellung zur fachlichen Steuerung: Er definiert Ziele, Anforderungen, Randbedingungen und Qualitätskriterien und bewertet die Ergebnisse der KI. Automatisierungsingenieure bleiben verantwortlich für das Verständnis realer Prozesse und Anlagen, für die technische Korrektheit, Integration, Safety und Verfügbarkeit. Das Potenzial liegt daher nicht im Ersatz von Experten, sondern in höherer Produktivität, besserer Wissensnutzung und Entlastung angesichts des Fachkräftemangels.

Dr. Josef Waltl, Software Defined Automation: Klassisches Engineering verschiebt sich vom manuellen Erstellen und Pflegen hin zum Kuratieren, Prüfen und Freigeben. Wenn Agenten Konfigurationen vorschlagen oder Optimierungen planen, übernimmt der Automatisierer stärker die Rolle des Qualitätssicherers: Er bewertet, ob ein Vorschlag zur realen Anlage passt, sicherheitsrelevante Nebenwirkungen hat und ob die Datenbasis vollständig und aktuell ist. Die Kompetenz, den tatsächlichen Anlagenzustand zu kennen und einzuordnen – also mit dem State Layer of Physical AI zu arbeiten -, wird damit noch wichtiger. Reine Ausführungsarbeiten, wie das Abgleichen von Programmversionen oder das Nachvollziehen von Änderungshistorien per Hand, werden zunehmend an Agenten delegiert. Der Automatisierer wird weniger Ausführender, dafür mehr Architekt und Kontrollinstanz des Gesamtsystems – und damit einer der wertvollsten Berufe der Industrie, nicht einer der gefährdeten.

Dr. Axel Zein, WSCAD: Ich glaube, dass sich die Rolle des Ingenieurs stärker verändern wird als der Beruf selbst. Heute verbringen Ingenieure und Konstrukteure viel Zeit damit, ihre Entscheidungen in Software umzusetzen: Komponenten auswählen, Daten eingeben, Pläne erzeugen, dokumentieren und prüfen. Wenn Agenten zunehmend Teile dieser Arbeit übernehmen, verschiebt sich der Schwerpunkt. Der Ingenieur definiert Ziele und Randbedingungen, entwickelt die Systemarchitektur, bewertet Alternativen und verantwortet technische Entscheidungen. Ich beschreibe das gerne mit einem Orchester: Der Ingenieur entwickelt sich vom Ein-Mann-Orchester zum Dirigenten. Er orchestriert spezialisierte KI-Systeme, die Teile des Engineering-Prozesses übernehmen. Das macht Engineering-Kompetenz nicht weniger wichtig, sondern wichtiger. Denn je mehr Arbeit ein Agent ausführen kann, desto entscheidender wird die Fähigkeit des Menschen, Ziele, Grenzen und Qualitätsmaßstäbe zu setzen sowie das Ergebnis fachlich zu beurteilen.

Wann werden KI-Agenten zum festen Bestandteil der industriellen Automatisierung – und welche Voraussetzungen fehlen noch?

Hans Michael Krause, Bosch Rexroth: Wir stehen am Übergang vom Pilotbetrieb zum regulären industriellen Einsatz. Bei Bosch Rexroth ist Agent iXi bereits als Beta-Version bei Kunden im Einsatz. Am Markt wird er voraussichtlich ab Anfang 2027 verfügbar sein. Der Praxistest zeigt, bei welchen Aufgaben KI-Agenten im Engineering den größten Nutzen bringen und wo noch nachgeschärft werden muss. Parallel wird das Spektrum an Skills für konkrete Automatisierungsaufgaben sukzessive erweitert. Der breite Einsatz wird aus unserer Sicht dann kommen, wenn Agenten klar definierte Aufgaben zuverlässig übernehmen, ihre Ergebnisse nachvollziehbar bleiben und sich der Nutzen im Engineering belegen lässt. Damit wächst auch die Akzeptanz – und aus einem zusätzlichen KI-Werkzeug wird ein fester Bestandteil des Engineering-Prozesses.

Bernhard Reiter, Codesys: Diese Entwicklung wird schrittweise erfolgen. Im Engineering ist der Wandel bereits im Gange: Assistenten gehören heute zum Arbeitsalltag, agentische Funktionen wie das Erzeugen und Testen von Code oder das Konfigurieren von Projekten werden sich in den nächsten ein bis drei Jahren etablieren. Diagnosefunktionen mit Lesezugriff auf Anlagen dürften eher in zwei bis fünf Jahren zum Standard werden. Autonome Eingriffe in laufende Anlagen liegen deutlich weiter in der Zukunft – für Sicherheitsfunktionen möglicherweise auf unabsehbare Zeit. Voraussetzung sind standardisierte Schnittstellen zu Engineering und Runtime, tragfähige Security-Konzepte, Audit-Fähigkeit sowie regulatorische Klarheit. Der Regelbetrieb ist erreicht, wenn der Agent nicht mehr als eigenständiges Feature wahrgenommen wird, sondern als selbstverständlicher Teil des Werkzeugs – so wie heute die Autovervollständigung oder die Versionsverwaltung.

Frank Hägele, Copa-Data: Ich gehe davon aus, dass wir bis 2028 mehr reguläre Anwendungen im Engineering und in klar abgegrenzten Arbeitsabläufen sehen werden. Bei direkten Eingriffen in Prozesse entscheidet jedoch die nachgewiesene Beherrschbarkeit des konkreten Anwendungsfalls – nicht ein allgemeines Marktdatum. Für Bestandsanlagen bietet die NAMUR Open Architecture einen sinnvollen Anknüpfungspunkt: Monitoring und Optimierung lassen sich ergänzen, ohne die bestehende Kernautomatisierung zu beeinträchtigen. Darauf können kontrollierte Agentenanwendungen aufbauen. Für den Regelbetrieb braucht es wiederverwendbare Komponenten, klare Zuständigkeiten und einen messbaren Nutzen.

Robert Mühlfellner, Neuron Automation: Im Engineering hat der Übergang bereits begonnen. Für klar begrenzte Aufgaben mit prüfbaren Ergebnissen werden KI-Agenten aus unserer Sicht in den kommenden zwei bis drei Jahren zum regulären Bestandteil industrieller Toolchains. Bei autonomen Eingriffen in laufende Anlagen wird die Entwicklung deutlich vorsichtiger und langsamer verlaufen. Für den breiten Einsatz braucht es domänenspezifischen Projektkontext, standardisierte Schnittstellen, belastbare Benchmarks, integrierte Test- und Freigabemechanismen sowie durchgängige Rückverfolgbarkeit. Ebenso wichtig sind sichere Online- und Offline-Betriebsmodelle, klare Haftungs- und Rollenmodelle und praxistaugliche Vorgaben aus Regulierung und Normung. Standard wird die Technologie dann, wenn sie kontrolliert im qualifizierten Engineering-Prozess mitarbeitet.

Dr. Veronika Straub, Phoenix Contact: Im Engineering gibt es bereits erste produktive Anwendungen. Daher dürften KI-Agenten in Engineering-, Service- und Supportprozessen innerhalb der nächsten drei bis fünf Jahre zu regulären Werkzeugen werden. In produktionsnahen Bereichen wird die Entwicklung schrittweise verlaufen, weil Integration, Cybersecurity, Nachvollziehbarkeit und Verantwortlichkeiten geklärt werden müssen. Entscheidend ist eine solide Datenbasis: Zunächst müssen Daten aus Maschinen, Anlagen und Unternehmenssystemen zugänglich sein. Machine Learning erzeugt daraus Erkenntnisse, Assistenten bereiten sie verständlich auf und Agenten orchestrieren Prozesse und führen Aktionen aus. Offene IIoT-Plattformen und Einbindungsansätze sind dafür zentral. Langfristig werden KI-Agenten wohl selbstverständlich in Engineering-Tools, IIoT-Plattformen und Automatisierungslösungen integriert sein.

Dr. Josef Waltl, Software Defined Automation: Ich rechne eher mit einer schrittweisen Normalisierung als mit einem klaren Stichtag – am ehesten in den nächsten zwei bis vier Jahren für abgegrenzte Anwendungsfelder wie Engineering-Unterstützung und vorausschauende Instandhaltung. Bis dahin brauchen Werke eine belastbare Zustandsbasis: eine strukturierte, aktuelle und historisierte Sicht auf ihre Steuerungs- und Anlagenlandschaft, hersteller- und standortübergreifend. Ohne diese Grundlage bleiben KI-Agenten Pilotprojekte, die sich nicht skalieren lassen. Parallel braucht es klare Regeln, wo Agenten autonom handeln dürfen, sowie Nachvollziehbarkeit als Standardanforderung. Sobald diese Infrastruktur- und Vertrauensbasis steht, wird der Übergang vom Pilotprojekt zum Standardwerkzeug schnell gehen, weil die Modelle bereits heute leistungsfähig genug sind.

Dr. Axel Zein, WSCAD: Ich glaube nicht, dass es dafür einen einzelnen Stichtag geben wird. Der Übergang hat bereits begonnen und wird schrittweise erfolgen. Zunächst werden Agenten klar abgegrenzte Aufgaben mit überschaubarem Risiko übernehmen. Mit zunehmender Zuverlässigkeit, besserer Integration und wachsendem Vertrauen werden die Aufgaben komplexer und die Handlungsspielräume größer. Im Engineering dürften agentische Funktionen in den nächsten Jahren zum normalen Bestandteil professioneller Systeme werden. Bei autonomen Eingriffen in physische, insbesondere sicherheitskritische Prozesse wird die Entwicklung vorsichtiger verlaufen. Entscheidend sind hochwertige Engineering-Daten, tiefe Systemintegration und kontrollierbare Entscheidungen. Heute fragen wir: Was kann KI dem Ingenieur abnehmen? Künftig werden wir fragen: Welche Engineering-Aufgaben können wir einem KI-Agenten verantwortlich übertragen? Das ist für mich der Übergang vom KI-Assistenten zum KI-Akteur – oder, wie wir es nennen, zu Engineering Intelligence.

Hans Michael Krause

Director Partner Ecosystem

Bosch Rexroth

Bernhard Reiter

Product Manager

Codesys Group

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