Jede Fabrik erzeugt Daten. Nicht jede weiß, was sie damit anfangen soll. KI beginnt, diese Lücke zu schließen, und ThingWorx ist der Ort, an dem das in der Produktion passiert. Ein Gespräch zwischen Ayush Tiwari, der das ThingWorx Product Management bei Velotic leitet, und Adam Gąsiorek, CTO und Mitinhaber von Transition Technologies PSC, aufgezeichnet auf der Hannover Messe 2026. Die beiden sprechen darüber, was Hersteller wirklich fragen, wenn es um KI geht, wie ein Kunde aus der Halbleiterindustrie verborgene Qualitätsprobleme in Daten fand, die alle als Rauschen abgeschrieben hatten, und was nötig ist, um in wenigen Tagen einen funktionierenden Manufacturing-Copilot zu bauen.

Der Rahmen: ein Roundtable auf der Hannover Messe 2026

Das folgende Gespräch fand auf der Hannover Messe 2026 statt, während einer geschlossenen Roundtable-Session, die wir gemeinsam mit Velotic Software ausgerichtet haben: „Your AI wishlist when the data does not fight back”. Diesmal war TT PSC nicht nur Teilnehmer, sondern Co-Gastgeber. Großer Dank an Velotic Software für die Einladung und an Ayush Tiwari, der das möglich gemacht hat.

Die Session brachte führende Hersteller zusammen, um offen darüber zu sprechen, wo KI in der Produktion wirklich hilft und wo sie stecken bleibt. TT PSC hat zwei konkrete Beispiele geteilt:

  • MFG Copilot, gebaut auf ThingWorx® von Velotic™, eine agentenbasierte Oberfläche, um den Betrieb in Echtzeit zu verstehen und zu steuern.
  • Predictive Quality, die ThingWorx® AIoT, industrielle Datenströme und KI verbindet, um frühe Qualitätssignale zu erkennen, die in dem stecken, was Bediener oft als „Anlaufrauschen” abtun, lange bevor die Probleme auf SPC-Ebene (statistische Prozesslenkung) oder beim Kunden sichtbar werden.

Im Demo: MFG Copilot in Aktion

Der Use Case, den Adam oben beschreibt, live gezeigt.

Um Herstellern zu zeigen, wie das in der Praxis aussieht, sind wir durch eine kurze Demo des MFG Copilot gegangen, eines KI-Agenten, der Entscheidungen in Echtzeit in der Produktion unterstützt.

Es beginnt mit der einfachsten denkbaren Frage: „Was passiert gerade in der Produktion?” Von dort zeigt der Agent Risiken, markiert Probleme und lässt Sie bis auf eine einzelne Linie hinuntergehen. Hinter dieser einen Antwort führt er Daten aus mehreren Quellen zugleich zusammen, darunter Maschinentelemetrie, Ereignisse und operative Systeme, und macht daraus ein klares Bild, auf das sich handeln lässt.

Im Szenario erkennt der Agent ein Problem an einer Schweißstation. Er analysiert Daten auf Maschinenebene, identifiziert die Ursachen, Überhitzung und übermäßige Vibration, und bewertet die Auswirkung auf Produktion und Material. Zum Schluss erzeugt er empfohlene Maßnahmen und weist Verantwortlichkeiten zu, damit die richtige Person schneller und mit besserem Kontext handeln kann.

Das ist die Verschiebung, die zählt: Das ist keine Datenvisualisierung. Es ist eine interaktive, KI-gestützte Oberfläche, um eine industrielle Umgebung zu verstehen und zu steuern. Der Unterschied zwischen über ein Problem lesen und durch das Problem geführt werden, es verstehen und auf erkannte Ursachen und Folgen reagieren.

Die wichtigsten Erkenntnisse

  • KI ändert die Geschäftsziele nicht. Die Hersteller am Roundtable verfolgten weiterhin Verfügbarkeit, Qualität und Mitarbeiterproduktivität. KI ist die ermöglichende Schicht, nicht das Ziel.
  • Die wertvollsten Daten sind oft die, auf die niemand schaut. Im Halbleiterfall lag die Ursache der Qualitätsfehler die ganze Zeit in nicht modellierten Signalen aus einer frühen Prozessphase.
  • Ein funktionierender Manufacturing-Copilot lässt sich in Tagen bauen, nicht in Monaten. Die KI-Orchestrierungsplattform von ThingWorx gibt Partnern wie TT PSC die Bausteine, um schnell zu sein.
  • Natürliche Sprache verändert, wer mit Daten arbeiten kann. Wenn Bediener eine Produktionslinie so fragen können, wie sie einen Kollegen fragen würden, schrumpft der Abstand zwischen Daten und Entscheidung.

Was das für Sie bedeutet

Der Halbleiterfall aus diesem Interview ist keine Ausnahme. Die meisten Hersteller sitzen auf Prozessdaten, die sie nie vollständig befragt haben. Die Werkzeuge dafür gibt es heute, und die Hürde ist selten technisch. Wenn Sie mit wiederkehrenden Qualitätsproblemen, unerklärtem Ausbeuteverlust oder einem Dashboard zu tun haben, auf das niemand reagiert, ist der Ausgangspunkt ein Gespräch über Ihre Daten und kein mehrjähriges Transformationsprogramm.

Ihre Produktionsdaten kennen die Antwort bereits. Finden wir sie.
Wir machen aus Industriedaten Entscheidungen. Sprechen wir über Ihren Use Case.
Use Case besprechen

TT PSC ist Velotic Authorised Partner und zertifizierter Kepware-Systemintegrator und liefert industrielle Konnektivität und KI-Lösungen in ganz Europa. Die Partnerschaft verbindet die Technologien ThingWorx und Kepware von Velotic mit der Engineering-Kompetenz von TT PSC, um Herstellern zu helfen, operative Daten in messbare Ergebnisse zu verwandeln.

Gesprächsprotokoll: KI in der Produktion

Ayush Tiwari

Mein Name ist Ayush Tiwari. Ich leite das ThingWorx Product Management. Bei mir ist Adam. Adam, möchtest du dich vorstellen?

Adam Gąsiorek

Klar. Willkommen. Mein Name ist Adam Gąsiorek. Ich bin CTO und Mitinhaber von Transition Technologies PSC. Wir helfen unseren Kunden, ihre Prozesse zu digitalisieren und Geschäftsprobleme mit neuen Technologien zu lösen, etwa mit Augmented Reality, künstlicher Intelligenz und Cloud Computing.

Ayush Tiwari

Sehr gut. Wir haben vor Kurzem eine Roundtable-Diskussion mit führenden Herstellern veranstaltet, um ihre KI-Use-Cases und die Herausforderungen bei der Umsetzung zu verstehen. Es war eine großartige Session, und wir würden gern einige Details teilen.

Adam ist einer unserer führenden Partner, die die Technologie von Velotic, konkret ThingWorx und Kepware, in Kundenlösungen umsetzen. Adam, magst du über einige der KI-Use-Cases sprechen, die wir gehört haben, und über die Demonstration zu einem der wichtigsten Use Cases, Predictive Quality?

Adam Gąsiorek

Gern. Zunächst einmal danke für die Gelegenheit, die Session mit auszurichten. Für mich war es großer Spaß und eine großartige Erfahrung, mit Herstellern zusammenzusitzen, sie nach ihren Herausforderungen zu fragen, danach, welche Bedeutung sie Daten beim Lösen von Produktionsproblemen geben, und von unserer Seite Ideen zu teilen, wie sich Prozesse pragmatisch optimieren und positive Effekte auf Werksebene, auf Linienebene und auch auf Ebene der einzelnen Mitarbeiter erzielen lassen.

Ayush Tiwari

Das ist wirklich entscheidend. Und wie wir laut und deutlich gehört haben, ist KI die ermöglichende Technologie, aber die Geschäftsziele bleiben dieselben. Unsere Kunden wollten hohe Verfügbarkeit ihrer Anlagen, hohe Qualität, Kostenersparnis und Mitarbeiterproduktivität sicherstellen. Mitarbeiterproduktivität war einer der häufigsten Use Cases. Erzähl uns doch etwas über den Predictive-Quality-Use-Case, den ihr mit den KI-Funktionen von ThingWorx gebaut habt.

ThingWorx hat diese KI-Funktion eingeführt, eine KI-Orchestrierungsplattform, und unsere Kunden und Partner wie ihr bauen darauf KI-Agenten und lösen konkrete Use Cases. Erzähl uns also etwas über den Predictive-Quality-Use-Case, den du den Herstellern in dieser Session gezeigt hast.

Adam Gąsiorek

Unbedingt. Das ist ein perfektes Beispiel dafür, wie sich Daten, die zunächst als chaotische Ansammlung von Bits und Bytes wahrgenommen werden, nutzen lassen, um die Ursachen möglicher schlechter Qualität in Produktionschargen zu finden.

Das ist eines meiner Lieblingsbeispiele für den Einsatz künstlicher Intelligenz, weil es perfekt zeigt, dass das Hinterfragen des Status quo zu Nutzen, zu Ergebnissen und zur Lösung von Problemen führen kann.

Ich beschreibe kurz, worin das Problem bestand.

Ayush Tiwari

Ja, bitte.

Adam Gąsiorek

Unser Kunde kommt aus der Halbleiterindustrie und hatte mit Reklamationen und Rücksendungen seiner Produkte zu kämpfen, obwohl es sehr komplexe, robuste Qualitätsprüfungen in Reinräumen gibt. Trotzdem gab es unentdeckte Möglichkeiten, den Prozess zu verbessern. Die Daten schienen nicht ausreichend strukturiert oder modelliert, um die Ursachen zu finden.

Wir sind etwas anders herangegangen. Wir haben vorgeschlagen, die nicht modellierten Signale aus der Anfangsphase der Prozesse anzusehen, etwas, das als Rauschen, als Chaos galt. Und wir haben auf Basis historischer Datenanalyse und verschiedener Methoden des maschinellen Lernens herausgefunden, dass wir die Ursachen mit 100 Prozent Genauigkeit finden können: bestimmte Prozessparameter in der Filterung chemischer Substanzen in dieser unentdeckten Prozessphase. Etwas, das anfangs als unbrauchbare Daten galt.

Ayush Tiwari

Großartig. Die Umsetzungsmöglichkeiten der KI-Funktionen von ThingWorx sind enorm. Es war gut zu sehen, wie ihr den Manufacturing-Copilot in nur zwei Tagen gebaut habt und wir mit der Demonstration für die Kunden bereit waren, um ihnen das Mögliche zu zeigen. Lass uns kurz über den Manufacturing-Copilot sprechen.

Adam Gąsiorek

Klar. Das ist ein großartiges Beispiel dafür, wie wir KI als Multiplikator sehen können. Sie ist ein Multiplikator für Effizienz und Produktivität. Mit dem Copilot-Ansatz gehen wir von einfacher Visualisierung und Dashboards auf die nächste Stufe. Sie können mit Ihren Daten sprechen. Sie können natürliche Sprache verwenden. Sie können mehrere Abfragen stellen, die sonst Zeit kosten würden.

Natürlich ermöglichen das maschinenlesbare Daten. Aber diese Copiloten, diese agentenbasierten Interaktionen, geben Ihnen das Gefühl, mit einem Produktionsleiter zu sprechen, der Ihnen sagt, wie der Status der Produktionslinie sein könnte, welche Maschine unterdurchschnittlich läuft, was die Ursache oder Ursachen sein könnten und was der nächste Schritt sein könnte.

Das macht aus Daten Information, handlungsfähige Information, sodass Sie sofort reagieren können. Auf Daten zu handeln ist der Zweck der KI-Funktionen in ThingWorx.

Ayush Tiwari

Absolut. Das ist großartig.