Prädiktive KI oder generative KI in der Produktion: die Technologie zur Entscheidung passend wählen

Prädiktive KI prognostiziert Ereignisse wie Anlagenausfälle, Qualitätsfehler und Nachfrageschwankungen aus historischen Produktionsdaten. Generative KI erzeugt neue Inhalte, von Arbeitsanweisungen bis zu synthetischen Trainingsdaten, und treibt die darauf aufgesetzten Bediener-Copiloten an. Hersteller holen den größten Nutzen heraus, wenn sie jede Technologie einem konkreten Anwendungsfall im Werk zuordnen, statt sich für eine zu entscheiden. Beide brauchen KI-fähige Fertigungsdaten, also saubere und verbundene Daten aus IIoT und OPC UA, um verlässlich zu arbeiten.

Die Frage, die ein Werkleiter wirklich stellt

Die meisten Beiträge zu diesem Thema beantworten eine allgemeine Frage: Was ist der Unterschied zwischen prädiktiver und generativer KI?* Die Antwort ist wissenswert, hilft aber einem Werkleiter mit einem Problem in der Fertigung nicht weiter. Die eigentliche Frage lautet, welche der beiden zum Problem vor Ihnen passt und wann sie zusammengehören. Dieser Artikel beantwortet das aus der Fertigung heraus, nicht von einer Folie. Unsere Haltung ist einfach: Passen Sie den Ansatz an das Problem an und behandeln Sie beide als Werkzeuge aus demselben Kasten.

*Es wäre verlockend zu sagen, die erste sei eher deterministisch und die zweite „von Natur aus” viel probabilistischer, aber das ist nicht unbedingt die ganze Wahrheit. Tatsächlich ist es deutlich komplizierter und verlangt eine genauere Betrachtung, wie Machine-Learning-Modelle entstehen und eingesetzt werden. Das ist Stoff für einen eigenen Artikel.

Prädiktive und generative KI: zwei Arten künstlicher Intelligenz

Prädiktive KI und generative KI sind zwei Zweige der künstlichen Intelligenz mit unterschiedlicher Aufgabe: Die eine prognostiziert, was passieren wird, die andere erzeugt etwas Neues. Beide gehören zum selben Dach des maschinellen Lernens, beide sind in einem Werk nützlich, aber sie beantworten verschiedene Fragen.

Prädiktive KI schaut zurück, um nach vorn zu schauen: Sie lernt Muster in historischen Daten und schätzt aus neuen Eingabewerten einen künftigen Wert, eine Klasse oder eine Wahrscheinlichkeit. Generative KI lernt die allgemeine Struktur eines Inhaltsbestands (der Trainingsdaten) und erzeugt daraus neue Beispiele auf Basis der Eingaben (Prompt, Kontext), ob Text, Code oder synthetische Daten. Behalten Sie diesen Unterschied im Kopf, während wir zeigen, wo sich jede ihren Platz an der Linie verdient und wo beide am besten zusammenarbeiten.

Zwei Aufgaben in der Fertigung: prognostizieren und erklären, was zu tun ist

Prädiktive KI prognostiziert, was passieren kann. Generative KI und Agenten helfen Teams zu verstehen, was gerade passiert, warum es zählt und was als Nächstes zu tun ist. Jede passt zu einer anderen Art von Fertigungsproblem, und beide sind wichtig. Unsere Seite KI für die Fertigung zeigt diese Aufteilung auf einen Blick; dieser Artikel nimmt sie auseinander und zeigt, wo was anzuwenden ist.

Prädiktive KI

Macht aus Historie eine Zahl, auf die ein Team früh reagieren kann:

• Maschinenparameter, die in Richtung Ausfall driften
• Chargen, die wahrscheinlich aus der Spezifikation laufen
• Anomalien in einem Datenstrom
• Prozessparameter und Energieverbrauch, die sich nachjustieren lassen
• Nachfrageprognose für die Planung
• Teilefehler, die die Bildverarbeitung erkennt

Generative und agentische KI

Machen aus operativem Kontext eine Erklärung oder eine Handlung:

• Werks-Copiloten, die Fragen in normaler Sprache beantworten
• Gespräche mit Werks- und Unternehmensdaten
• Entscheidungsunterstützung für Menschen an der Linie
• automatisierte Untersuchungen und Workflows
• Antworten, die sich bis zu den Quelldaten zurückverfolgen lassen, mit Freigabe durch einen Menschen

Das Ergebnis ist hier eine Erklärung oder eine Handlung. Es kann eine Prognose mit sich tragen, muss es aber nicht.

Es geht nicht darum, sich für eine Seite zu entscheiden. Manchmal ist das richtige Werkzeug prädiktiv, manchmal generativ, manchmal beides, und die Aufgabe besteht darin, den Ansatz an das Problem anzupassen und nicht umgekehrt. Sehen wir uns beide genauer an.

Was ist prädiktive KI in der Produktion?

Das Hauptziel prädiktiver KI ist es, künftige Ereignisse und deren Wahrscheinlichkeit aus historischen Eingaben (Trainingsdaten) und aktuellen Parametern zu prognostizieren. Sie ist die ältere und reifere der beiden, und im Werk läuft sie oft still im Hintergrund statt vor einem Nutzer. Prädiktive KI hat sich auch außerhalb der Fertigung bewährt: im Finanzwesen für Kursprognosen, im Gesundheitswesen bei der Früherkennung von Krankheiten, im Marketing bei der Frage, wann ein Inhalt am besten ausgespielt wird. In der Fertigung wendet sie dieselben mathematischen Prinzipien und statistischen Modelle auf Maschinen, Qualität, Nachfrage und anderes an.

Prädiktive KI konzentriert sich auf die Analyse historischer Daten, um Muster zu erkennen und künftige Ergebnisse vorherzusagen. Diese Disziplin heißt auch Predictive Analytics und stützt sich auf Data Science, statistische Algorithmen und maschinelles Lernen, nicht auf Inhaltserzeugung. Unter der Haube nutzen prädiktive Modelle Techniken wie Regression, Entscheidungsbäume, Random Forests und Zeitreihenmodelle, trainiert auf strukturierten, gelabelten Daten. Im Werk wird sie üblicherweise eingesetzt, um Ereignisse wie Maschinenausfälle, Qualitätsfehler oder Nachfrageänderungen zu prognostizieren. Gespeist wird sie von Daten, die das Werk ohnehin erzeugt: Historian-Daten, IIoT-Sensorwerte, OPC-UA- und Kepware-Tags, Datensätze aus dem MES und so weiter. Das Ergebnis ist bewusst eng. Es liefert einen Score, eine Klasse oder eine Zahl, etwa die Wahrscheinlichkeit, dass ein Lager in den nächsten 200 Stunden ausfällt, oder ob eine Charge aus der Spezifikation läuft.

Zwei Eigenschaften zählen für die Fertigung. Erstens lassen sich prädiktive Modelle bis zu einem gewissen Grad erklären (wie transparent, hängt vom Modell und von der Umsetzung ab), sodass ein Ingenieur sieht, welche Signale eine Prognose getrieben haben und wie wahrscheinlich sie ist. Zweitens hängen sie von der Datenqualität ab. Prädiktive Modelle brauchen saubere, repräsentative Historie, um genau zu sein, und sie garantieren keine Gewissheit, sie schätzen Wahrscheinlichkeiten. Stimmen die Daten, ist prädiktive KI ein verlässliches Frühwarnsystem. Stimmen sie nicht, erzeugt sie selbstsichere Zahlen auf Basis von Rauschen.

Was ist generative KI in der Produktion?

Generative KI nutzt Deep-Learning-Modelle wie große Sprachmodelle (LLMs), um neue Inhalte zu erzeugen, indem sie auf Basis ihrer Wissensbasis, ihres Trainingsdatensatzes und des Kontexts probabilistisch das nächste Token wählt. Die Ergebnisse reichen von Text und Code bis zu synthetischen Daten und sind keine reine Prognose. Im Werk liegt der Wert nicht in der Neuheit an sich. Er liegt darin, verstreutes Wissen und manuelle Schreibarbeit in etwas zu verwandeln, das ein Mitarbeiter in Sekunden nutzen kann.

Generative KI konzentriert sich auf die Erzeugung von Inhalten, oft auf Basis eines internen Schlussfolgerns, das nachahmt, wie ein Mensch zu einem Ergebnis kommt. Sie beruht auf tiefen neuronalen Netzen, Transformern für Sprache und Code, natürlicher Sprachverarbeitung zur Interpretation von Prompts sowie generativen adversariellen Netzen (GANs) oder Diffusionsmodellen für Bilder und synthetische Daten. Neben Text und Code umfassen generative KI-Werkzeuge bekannte Namen wie ChatGPT, Claude oder Gemini, die aus einem Textprompt Bilder (auch fotorealistische) oder Videos erzeugen. In der Fertigung ist die Nutzung eine andere: Bediener-Copiloten, Erstellen und Aktualisieren von Dokumentation, Erzeugen synthetischer Beispiele seltener Fehlerbilder und Schlussfolgern aus verschiedenen Informationsquellen. Sie arbeitet mit großen, oft unstrukturierten Datenbeständen, und ihr Ergebnis ist offener Text, Code oder Daten statt einer einzelnen Zahl.

Diese Offenheit kann auch zum Risiko werden. Generative Modelle verhalten sich oft wie Blackboxes und können halluzinieren, also flüssige, aber falsche Ausgaben erzeugen, wenn die zugrunde liegenden Daten dünn sind oder fehlen. In der Fertigung, wo eine Anweisung sicherheitskritisch sein kann, muss dieses Risiko über Verankerung in Daten, Prüfung und menschliche Freigabe beherrscht werden. Sie ist stark darin, Menschen zu beschleunigen, braucht aber Leitplanken, die prädiktive KI nicht benötigt.

Prädiktive KI und generative KI: die wichtigsten Unterschiede

Prädiktive und generative KI unterscheiden sich in fünf Dimensionen: Zweck, Trainingsdaten, Ergebnis, Erklärbarkeit und typischer Anwendungsfall in der Fertigung. Die folgende Tabelle ist der schnellste Weg, beide im Kopf zu behalten.

Dimension	Prädiktive KI	Generative KI
Zweck	Ein künftiges Ergebnis prognostizieren	Schlussfolgern und neue Inhalte erzeugen
Trainingsdaten	Strukturiert, historisch, gelabelt	Groß, oft unstrukturiert
Ergebnis	Ein Score, eine Klasse oder eine Zahl	Text, Code, Bilder oder synthetische Daten
Kerntechniken	Regression, Entscheidungsbäume, Zeitreihen, ML	LLMs, Transformer, GANs, Deep Learning
Erklärbarkeit	Bis zu einem gewissen Grad erklärbar (je nach Modell und Umsetzung)	Oft eine Blackbox
Beispiel aus der Fertigung	Vorausschauende Wartung, Qualitätsprognose	Bediener-Copilot, Entwurf von Arbeitsanweisungen

Eine kurze Anmerkung zu benachbarten Begriffen. Prädiktive KI ist eine Form des diskriminativen maschinellen Lernens, das vorhandene Daten sortiert oder bewertet, während generative KI neue Daten erzeugt. Beide sind maschinelles Lernen, „generative KI vs. prädiktive KI vs. maschinelles Lernen” ist also ein Kategorienfehler: Maschinelles Lernen ist der Elternteil, prädiktiv und generativ sind zwei seiner Kinder.

Anwendungsfälle prädiktiver KI in der Fertigung

Die häufigsten Anwendungen prädiktiver KI in der Fertigung sind vorausschauende Wartung, Qualitätsprognose, Nachfrageprognose und Anomalieerkennung. Jede nimmt historische, strukturierte Daten und macht daraus eine Prognose, auf die jemand reagieren kann, bevor ein Problem auftritt. Sie alle haben eine Aufgabe: künftige Ereignisse früh zu prognostizieren, mit Algorithmen und disziplinierter Datenanalyse statt mit Bauchgefühl.

Vorausschauende Wartung

Vorausschauende Wartung ist der Vorzeigefall. Sie analysiert IIoT-Sensordaten wie Schwingung, Temperatur, Stromaufnahme und Zykluszahlen, um abzuschätzen, wann eine Maschine in Richtung Ausfall driftet, damit das Team während eines geplanten Stillstands eingreifen kann statt nach einem Schaden. Beispielhafte Kennzahlen aus vernetzten Projekten, die wir auf unserer Pillar-Seite zitieren, deuten auf spürbar weniger ungeplante Stillstände hin, auch wenn der reale Wert von der Datenqualität abhängt und davon, wie viel Fehlerhistorie das Modell zum Lernen hat.

Qualitätsprognose und Fehlererkennung

Prädiktive KI kann Qualitätsprobleme melden, bevor daraus Ausschuss wird. Indem sie die Prozesssignaturen lernt, die einem Fehler vorausgehen, aus Parametern wie Druck, Geschwindigkeit und Materialwerten, sagt ein Modell vorher, welche Einheiten gefährdet sind, und lässt Bediener Verdachtsfälle markieren und den Prozess mitten im Lauf korrigieren. Zusammen mit einer Prüfung per Bildverarbeitung erkennt derselbe Ansatz Fehler, die das menschliche Auge übersieht. Das Ergebnis ist wieder eine Prognose, eine Fehlerwahrscheinlichkeit, und keine Beschreibung der Ursache.

Nachfrageprognose und Produktionsplanung

Weiter oben in der Wertschöpfungskette prognostiziert prädiktive KI die Nachfrage und speist die Produktionsplanung. Trainiert auf Auftragshistorie, Saisonalität, Markttrends und externen Faktoren schätzt sie künftige Nachfrage und künftige Lastverläufe, damit Planer Losgrößen auslegen, Wartung an der realen Last ausrichten und den Ersatzteilbestand im Gleichgewicht halten. Diese Prognosen, in das MES integriert, werden zur Grundlage von Entscheidungen statt zu einem Bericht, den niemand liest.

Anwendungsfälle generativer KI in der Fertigung

Generative KI unterstützt Fertigungsteams durch Bediener-Copiloten, automatisierte Dokumentation, die Erzeugung synthetischer Daten und Codegenerierung für Integrationen. Wo prädiktive KI aus Trainingsdaten und aktuellen Eingaben prognostiziert, schlussfolgert und formuliert generative KI, und in der Fertigung heißt das: Wissen und manuelle Schreibarbeit werden zu Erkenntnissen, Empfehlungen und Antworten auf „Warum”-Fragen. Diese Anwendungen erzeugen Inhalte und beschleunigen Menschen, statt die Wahrscheinlichkeit eines einzelnen Zahlenwerts zu prognostizieren. Wichtig sind hier Copiloten, Dokumentationsassistenten und Code-Helfer, nicht Bildgeneratoren.

Bediener-Copiloten und Assistenten zur Störungssuche

Ein generativer Copilot lässt einen Bediener eine Frage in normaler Sprache stellen und liefert eine Antwort aus Handbüchern, Wartungshistorie, Prozeduren, Systemen und jeder weiteren angebundenen Datenquelle. Statt einen erfahrenen Kollegen zu rufen oder einen Ordner zu durchsuchen, fragt der Bediener, warum eine Linie steht oder wie sich eine Störung quittieren lässt, und bekommt eine verankerte Antwort Schritt für Schritt. Der Wert liegt in der Geschwindigkeit und darin, Expertise von der besten Schicht auf jede Schicht zu übertragen. Einen funktionierenden Fertigungs-Copiloten zeigen wir in KI in der Produktion.

Automatisierte Erstellung von Arbeitsanweisungen und technischer Dokumentation

Generative KI erstellt und aktualisiert Arbeitsanweisungen und technische Dokumentation aus Prozessdaten und Engineering-Vorgaben. Was einen Ingenieur einen Tag kostete, wird in Minuten zum ersten Entwurf, den ein Mensch anschließend prüft und freigibt. Weil diese Dokumente sicherheitskritisch sein können, ist der Prüfschritt nicht optional, er ist das Sicherheitsventil, das eine fehlerhafte Anweisung von der Fertigung fernhält.

Synthetische Daten, Codegenerierung und Agenten-Orchestrierung

Unter den für Ingenieure relevanten Anwendungen stechen drei hervor.

• Synthetische Daten. Generative KI erzeugt realistische Beispiele seltener Fehlerbilder, von denen ein Werk zu wenige hat, um ein verlässliches prädiktives Modell zu trainieren. Das ist Datenaugmentierung: Sie füllt Lücken im Trainingsdatensatz und macht die entstehenden Lösungen robuster, wenn nur begrenzt Trainingsdaten vorliegen.
• Codegenerierung. Konfiguration und Boilerplate für Arbeiten an SPS, SCADA und Integrationen, entworfen, damit ein Ingenieur sie prüft statt sie von Grund auf zu schreiben.
• Agenten-Orchestrierung. Ein agentisches System kann während des eigenen Schlussfolgerns andere generative und prädiktive Modelle aufrufen, um kleinere Aufgaben zu erledigen, und deren Ergebnisse später zu einer Gesamtantwort zusammenführen. Dieser Fall ist komplexer, aber die Analyse, die er trägt, reicht deutlich tiefer als das, was ein einzelner Assistent oder ein einzelnes Werkzeug allein leisten kann.

Zwei davon sind Berührungspunkte zwischen beiden Ansätzen, und sie laufen in entgegengesetzte Richtungen. Bei synthetischen Daten speist generative KI die prädiktive vor dem Training. Beim Tool-Aufruf speist prädiktive KI die generative zur Laufzeit.

Generative oder prädiktive KI: Was passt zu Ihrem Anwendungsfall? Ein Entscheidungsrahmen

Wählen Sie prädiktive KI, wenn das Ziel die Prognose eines numerischen oder kategorialen Ergebnisses aus historischen Daten ist, und generative KI, wenn das Ziel darin besteht, neue Inhalte zu erzeugen, eine menschliche Aufgabe zu beschleunigen, zu schlussfolgern oder das „Warum” zu verstehen. Diese eine Regel klärt die meisten Fälle. Die folgenden Fragen machen sie konkret.

Beginnen Sie mit dem Ergebnis, das Sie wollen. Wenn Sie etwas prognostizieren wollen: Fällt diese Maschine aus? Ist diese Charge gefährdet? Wie viel werden wir verkaufen? – lautet die Antwort meist prädiktive KI, und Ihre erste Anforderung ist genügend saubere Historie zum Lernen. Wenn Sie etwas erzeugen oder einen Menschen beschleunigen wollen, ein Dokument, eine Antwort, ein Stück Code, synthetische Trainingsdaten, ist generative KI der Standardansatz, und Ihre ersten Anforderungen sind Verankerung und ein Prüfschritt durch einen Menschen.

Ihr Ziel	Greifen Sie zu	Erste Anforderung
Ausfall, Fehler oder Nachfrage prognostizieren	Prädiktive KI	Saubere, gelabelte Historie
Anomalie in einem Datenstrom erkennen	Prädiktive KI	Repräsentative Sensordaten
Bedienerfragen in normaler Sprache beantworten	Generative KI	Verankertes, geprüftes Wissen
Arbeitsanweisungen, Berichte oder Code entwerfen	Generative KI	Menschliche Freigabe vor der Nutzung
Eine Entscheidung automatisch ausführen	Agentische KI	Leitplanken und Audit-Trail

Die meisten Werke profitieren von beidem, und eine falsche Wahl kostet. Ein prädiktives Modell, auf das niemand reagiert, bringt nichts, so genau es auch sein mag. Ein Copilot ohne Prognose darunter kann erklären, was passiert ist, aber niemanden rechtzeitig warnen. Zusammen rechnen sie sich schneller, weil die Prognose die Person erreicht, die etwas dagegen tun kann.

Tipp
Beginnen Sie bei der Entscheidung, nicht bei der Technologie. Schreiben Sie auf, welche Entscheidung Sie verbessern wollen, wer sie trifft und wie oft. Fällt sie nach Plan und lautet die Frage „wann”, haben Sie ein prädiktives Problem. Fällt sie unter Zeitdruck und lautet die Frage „warum” oder „was jetzt”, ist sie generativ. Braucht die entscheidende Person beides, Warnung und Erklärung, bauen Sie zuerst das prädiktive Modell und setzen Sie die Oberfläche darauf.

KI-fähige Fertigungsdaten: das Fundament, das beide brauchen

Sowohl prädiktive als auch generative KI hängen von KI-fähigen Fertigungsdaten ab: sauber, kontextualisiert und verbunden über IIoT-Sensoren, SPSen, Historians, MES-Systeme und weitere Quellen. Das ist der Teil, den allgemeine KI-Beiträge überspringen, und genau hier entscheidet sich, ob ein KI-Projekt in der Fertigung gelingt oder stecken bleibt. Selten ist das Modell der Engpass. Es sind die Daten darunter.

KI-fähige Fertigungsdaten heißt mehr als „wir haben viele Daten”. Es heißt, dass die Daten verbunden sind, sodass ein Modell Maschinen-, Qualitäts-, Instandhaltungs- und Auftragskontext an einer Stelle erreicht, und dass die Daten Bedeutung tragen, sodass ein Signal nicht nur ein roher Tag ist, sondern ein Wert, der an eine Maschine, einen Auftrag und einen Zeitpunkt gebunden ist. Prädiktive KI braucht das, weil ein Modell, das auf inkonsistenten oder schlecht gelabelten Daten trainiert wurde, schlecht prognostiziert. Generative KI braucht es, weil ein nicht verankerter Copilot halluziniert und ein verankerter nur funktioniert, wenn es eine vertrauenswürdige, kontextualisierte Quelle gibt, an der er sich festmachen kann. Genau dafür sind Standards wie i3X, der offene Interoperabilitätsstandard von CESMII, und ein Unified Namespace gedacht.

IIoT-, OPC-UA- und Kepware-Konnektivität

Die erste Schicht ist Konnektivität. Daten zuverlässig von Maschinen zu holen, über Standards wie OPC UA und Werkzeuge wie Kepware, macht aus isolierten Anlagen eine Datenquelle, aus der ein Modell lernen kann. Ohne standardisierte Konnektivitätsschicht wird jeder neue KI-Anwendungsfall zu einem eigenen Integrationsprojekt, und die Kosten dieser Wiederholung bremsen jedes Momentum aus.

Datenqualität aus MES und Historian

Die zweite Schicht ist Qualität und Kontext. Historian-Daten und MES-Datensätze geben einem Modell die Historie und die betriebswirtschaftliche Bedeutung, die es braucht, aber nur, wenn diese Daten sauber, konsistent und miteinander verknüpft sind. Datenqualität ist hier kein Nice-to-have. Sie ist der Unterschied zwischen einem Modell, dem man in der Fertigung vertrauen kann, und einem, das selbstsicheren Unsinn produziert.

Prädiktive und generative KI in einem Industrie-4.0-Stack verbinden

Prädiktive und generative KI ergänzen sich, sie konkurrieren nicht: Ein prädiktives Modell kann eine Anomalie melden, während generative KI den Instandsetzungsauftrag entwirft und die Ursache erklärt. Die nützlichste KI im Werk ist selten eine Technologie allein, sondern eher eine Kette.

Stellen Sie sich die Abfolge vor: Ein prädiktives Modell erkennt, dass eine Pumpe in Richtung Ausfall driftet. Ein generativer Copilot nimmt diese Prognose, holt Wartungshistorie und Ersatzteilstatus, entwirft einen Arbeitsauftrag und erklärt in normaler Sprache, was passiert und warum. Ein Mensch gibt frei. Prädiktive KI hat das Risiko gefunden, generative KI hat daraus eine Handlung gemacht, die eine Person in Sekunden ausführen konnte, und der operative Kontext darunter hat beides vertrauenswürdig gemacht.

Keine Hälfte leistet das allein. So eingesetzt, verbessern generative und prädiktive KI Geschäftsprozesse und machen aus Daten Wert, indem sie Führungskräften handlungsfähige Erkenntnisse statt roher Dashboards liefern. Der Sinn einer KI-Strategie besteht nicht darin, KI-Werkzeuge zu sammeln, sondern darin, große Mengen an Produktionsdaten zu analysieren und danach zu handeln. Beide schöpfen aus denselben strukturierten und unstrukturierten Datenbeständen, und beide sollen die menschliche Intelligenz in der Fertigung erweitern, nicht ersetzen.

Der digitale Zwilling als verbindende Schicht

Ein digitaler Zwilling ist ein natürlicher Ort, an dem das zusammenkommt. Prädiktive Modelle laufen gegen den Zwilling, um zu simulieren und zu prognostizieren, während generative KI dieselbe kontextualisierte Umgebung nutzt, um zu berichten, zu erklären und zu empfehlen. Der Zwilling gibt beiden Technologien ein gemeinsames, aktuelles Bild des Werks, über das sie schlussfolgern können, und genau das hält ihre Ergebnisse untereinander und mit der Realität konsistent.

Prädiktive und generative KI in der Fertigung sehen

So sieht das in der Praxis aus, auf echten Daten statt auf einer Folie. Die folgende Aufzeichnung zeigt einen KI-Berater, der laufende Produktionssysteme abfragt, die Belege vergleicht und eine Entscheidung zurückgibt, auf die ein Team reagieren kann.

Passend dazu: KI in der Produktion

Prädiktive, generative und agentische KI

Agentische KI ergänzt prädiktive Prognosen und generative Inhalte um autonome Entscheidung und Handlung und schließt so den Kreis von der Erkenntnis zur Ausführung. Wenn prädiktive KI die Prognose ist und generative KI die Erklärung, dann ist agentische KI die Hand, die handelt, innerhalb von Grenzen, die Menschen setzen.

Die Unterscheidung zählt für alle, die eine KI-Roadmap planen. Prädiktive KI sagt, was passieren kann. Generative KI hilft, es zu verstehen und eine Antwort zu entwerfen. Agentische KI kann den nächsten Schritt gehen: einen Workflow auslösen, ein Teil nachbestellen, einen Plan anpassen und sich dann zur Freigabe oder Prüfung zurückmelden. In der Fertigung funktioniert das nur mit starken Leitplanken: menschliche Freigabe für folgenreiche Handlungen und ein Audit-Trail, der zeigt, wie jede Entscheidung zustande kam. Agentische KI versteht man am besten als den nächsten Schritt nach der generativen KI, nicht als Ersatz für eine der beiden, und sie stützt sich auf dasselbe Fundament KI-fähiger Daten.

Risiken und Herausforderungen im Fertigungskontext

In der Fertigung liegt das Risiko prädiktiver KI vor allem in der Datenqualität aus OT-Sensoren, das Risiko generativer KI in halluzinierten Anweisungen in sicherheitskritischer Dokumentation und in Schlussfolgerungen, die zu falschen Ergebnissen führen. Beides ist beherrschbar, aber sie versagen unterschiedlich, und den Fehlermodus zu kennen ist die halbe Kontrolle.

Prädiktive Modelle tragen die Risiken jedes Modells, das aus Historie lernt. Schlechte Datenqualität aus OT-Sensoren führt zu schlechten Prognosen, und Verzerrungen in den Trainingsdaten führen zu schiefen Vorhersagen. Auch ein gutes Modell kann keine Gewissheit versprechen. Die Gegenmittel sind unspektakulär, aber wirksam: saubere, repräsentative Daten, Überwachung auf Drift und Ergebnisse, die als Wahrscheinlichkeiten und nicht als Fakten behandelt werden.

Generative Modelle tragen in der Fertigung ein schärferes Risiko. Ein halluzinierter Schritt in einer Arbeitsanweisung oder eine falsche Antwort eines Copiloten kann ein Sicherheitsproblem sein und nicht nur ein Fehler, und der Blackbox-Charakter dieser Modelle macht den Fehler schwer erkennbar. Zu den Risiken generativer KI gehören auch Urheberrechtsverletzung und Plagiat, wenn ein Modell geschützte Inhalte reproduziert, was beim Entwurf von Dokumentation zählt. Die Kontrollen bestehen darin, das Modell in vertrauenswürdigen, kontextualisierten Daten zu verankern, einen Menschen für die Freigabe in der Schleife zu halten und Nachvollziehbarkeit zu sichern, damit jede Ausgabe bis zur Quelle zurückverfolgt werden kann. Deshalb zählen nach dem Go-live auch Modell-Monitoring und MLOps: Die Leistung driftet, und ohne Überwachung hört ein bei Einführung verlässliches Modell still und leise auf, es zu sein.