Von der DevOps-
Automatisierung zur
Intelligisierung.
KI in der Produktion und Fertigung: wo sie heute wirkt, warum so viele Piloten beim Dashboard stehen bleiben und was vorher stehen muss. Geschrieben aus der Sicht derer, die diese Pipelines bauen und betreiben.
AI
Andreas Schönfeld
Geschäftsführer & DevOps-Berater
Industrial DevOps, CI/CD, DevSecOps, KI-Integration, IT/OT-Konvergenz. Comquent GmbH seit 2006.
Warum steht DevOps-
Automatisierung vor der
Intelligisierung?
DevOps-Automatisierung ist die dritte Stufe der industriellen Transformation: CI/CD-Pipelines, Infrastructure as Code und GitOps machen Build, Test und Deployment selbstausführend und reproduzierbar. Intelligisierung ist die vierte Stufe, der systematische Einsatz von KI, Machine Learning und agentischen Systemen in der Produktion und in ihren Softwarelieferketten, etwa für Predictive Maintenance, Qualitätskontrolle per Kamera und Anomalieerkennung. Die Automatisierung kommt zuerst, weil erst sie die strukturierten, reproduzierbaren Daten erzeugt, aus denen ein Modell lernen kann. Die Betriebspraxis für diese Modelle heißt MLOps.
Die Zahlen passen zu dem, was wir in Projekten sehen. Im TE Connectivity Industrial Technology Index 2026 geben 37 % der befragten deutschen Industrieunternehmen an, KI umfassend einzusetzen, ein Jahr zuvor waren es 15 %. Wer KI erwogen und dann doch nicht eingeführt hat, nennt laut Statistischem Bundesamt zu 44 % Probleme mit Verfügbarkeit oder Qualität der Daten und zu 45 % die Inkompatibilität mit vorhandenen Systemen. Beides sind Fragen der Automatisierung, nicht der KI. Wie Sie diese Stufe aufbauen, beschreibt unsere Leistungsseite zur DevOps-Automatisierung, die Begriffe stehen im DevOps-Glossar.
- /01KI in der Produktion wirkt heute vor allem an vier Stellen: vorausschauende Wartung, Qualitätskontrolle per Kamera, Anomalieerkennung an Maschinendaten und Produktionsplanung. In der Softwarelieferkette kommen prädiktive Qualitätssicherung, adaptive Testplanung und KI-gestützte Code-Reviews hinzu.
- /02KI-Piloten scheitern selten am Modell. Sie scheitern an verstreuten Daten, fehlendem Anlagenwissen und der Anbindung an SPS und IT. Das Statistische Bundesamt misst dieselben Gründe: 44 % der Unternehmen, die KI erwogen und nicht eingeführt haben, nennen Datenverfügbarkeit oder Datenqualität, 45 % inkompatible Systeme.
- /03Die industrielle Transformation verläuft in vier Stufen: Industrialisierung, Digitalisierung, Automatisierung, Intelligisierung. Wer die Automatisierung überspringt, hat für die Intelligisierung keine Daten.
- /04MLOps ist die Betriebspraxis der vierten Stufe. Industrial MLOps ergänzt drei Bedingungen, die es in der Cloud so nicht gibt: Edge-KI auf Geräten neben der Anlage, OT-Daten aus dem Produktionsnetz und eine Freigabe, die Produktionstechnik mitträgt.
- /05Der EU AI Act stuft Qualitätskontrolle ohne Sicherheitsfunktion seit dem Digital Omnibus ausdrücklich nicht als Sicherheitsbauteil ein. Hochrisiko-Pflichten für KI in Maschinen gelten ab 2. August 2028.
- /06Mit soliden Pipelines und strukturierten Daten laufen erste KI-Piloten nach drei bis sechs Monaten. Ohne diese Basis sind nach unserer Projekterfahrung 12–18 Monate bis zur produktiven KI realistisch.
Ist KI in der Produktion bei Ihnen gerade ein Thema?
Wir fragen kurz, wie dringend das Thema bei Ihnen gerade ist. Je nach Antwort zeigen wir Ihnen direkt den passenden nächsten Schritt — ganz ohne Formular.
Wie wird KI in der
Produktion und
Fertigung eingesetzt?
Wer „KI in der Produktion“ hört, denkt an Roboter. Die Projekte, die tatsächlich Geld sparen, sind unspektakulärer: ein Modell, das an der Stromaufnahme eines Antriebs erkennt, dass das Lager nachlässt. Eine Kamera, die jeden Kratzer auf einem Gehäuse findet, auch in der Nachtschicht.
KI in der Produktion und Fertigung wird vor allem für vorausschauende Wartung (Predictive Maintenance), automatisierte Qualitätskontrolle per Computer Vision, Anomalieerkennung an Maschinendaten und intelligente Produktionsplanung eingesetzt, direkt auf dem Shopfloor der Fertigungsindustrie. In der Softwarelieferkette dahinter kommen prädiktive Qualitätssicherung, adaptive Testplanung und KI-gestützte Code-Reviews hinzu. Jeder dieser sieben Anwendungsfälle braucht eine bestimmte Datengrundlage, und die steht jeweils dabei.
Industrial AI ist der Sammelbegriff für genau diese Anwendungen: künstliche Intelligenz, die auf physische Prozesse wirkt, also auf Maschinen, Linien, Netze und Anlagen. Von KI in Verwaltung oder Vertrieb unterscheidet sie sich in den Folgen eines Fehlers. Ein falsch beantwortetes Ticket ärgert jemanden, ein falsch aussortiertes Teil kostet Material oder eine Reklamation. Deshalb gelten für industrielle KI härtere Anforderungen an Reaktionszeit, Nachvollziehbarkeit und Ausfallverhalten. Was das für den Betrieb heißt, zeigen die Abschnitte 05 und 06.
- /01
Predictive Maintenance
Vorausschauende Wartung ist der bekannteste KI-Anwendungsfall in der Fertigung. Ein Modell erkennt an Schwingung, Temperatur und Stromaufnahme, dass ein Lager oder eine Spindel nachlässt, oft Tage bevor die Anlage steht. Im Maschinenbau bekommt meist dieser Fall als erster ein Budget, weil sich eine vermiedene Stillstandsstunde direkt beziffern lässt.
BrauchtSensordaten mit sauberem Zeitstempel über mehrere Monate und eine Instandhaltungshistorie, die festhält, wann tatsächlich etwas kaputtgegangen ist.
- /02
Qualitätskontrolle per Kamera
Kamerasysteme mit Computer Vision prüfen Bauteile im Takt der Linie und finden Kratzer, Lunker und Maßabweichungen, die dem Auge bei der tausendsten Wiederholung entgehen. Auf dem Shopfloor ist das der KI-Einsatz, dem wir in Projekten am häufigsten begegnen.
BrauchtGelabelte Bilder von Gut- und Schlechtteilen und eine Versionierung, die festhält, auf welchen Bildern welcher Modellstand trainiert wurde.
- /03
Anomalieerkennung an Anlage und Pipeline
Anomalieerkennung heißt, ein Modell auf dem Normalzustand zu trainieren und danach jede Abweichung zu melden, ohne dass die Fehlerbilder vorher bekannt sein müssen. An der Anlage sind das Schwingung, Temperatur und Stromaufnahme außerhalb des eingelernten Musters. In der CI/CD-Pipeline sind es ungewöhnliche Build-Zeiten, Speicherverbrauch oder Fehlermuster, die kein fester Schwellwert erwischt.
BrauchtEine lückenlose Historie des Normalbetriebs. Wer nur Störungen protokolliert, hat genau die falschen Daten.
- /04
Produktionsplanung
Modelle rechnen aus Auftrags-, Maschinen- und Lagerdaten Durchlaufzeiten, Rüstreihenfolgen und Materialbedarf aus und planen neu, wenn ein Eilauftrag kommt oder Material fehlt. Starre Planungsregeln können das nicht.
BrauchtDaten aus ERP, MES und Maschinensteuerung, die zueinander passen. In vielen Werken ist genau das der schwierigste Teil des Projekts.
AI- /05
Prädiktive Qualitätssicherung
Historische Testläufe, Build-Daten und Code-Metriken speisen ein Modell, das lernt, welche Änderungen typischerweise Probleme machen, bevor sie auf der Anlage auftauchen. In der Fertigung läuft dasselbe Prinzip unter dem Namen Predictive Quality: Prozessparameter sagen den Ausschuss der nächsten Charge voraus, statt ihn hinterher zu messen.
BrauchtStrukturiert gespeicherte Build- und Testergebnisse aus einer CI/CD-Pipeline, mindestens sechs Monate zurück.
- /06
Adaptive Testplanung
Das Modell priorisiert Tests nach Änderungsrate, historischer Fehlerquote und Nähe zu sicherheitskritischen Komponenten. Die Testsuite prüft dann zuerst dort, wo es wahrscheinlich knallt, statt jede Nacht alles in derselben Reihenfolge abzuarbeiten.
BrauchtStabile Tests. Solange instabile Tests echte Fehler überdecken, lernt das Modell nur das Rauschen.
- /07
KI-gestützte Code-Reviews
Ein Modell als erster Filter: Es erkennt bekannte Fehlermuster, markiert sicherheitsrelevante Stellen und schreibt Dokumentation vor. Das Urteil der Kollegin, die den Steuerungscode seit Jahren kennt, ersetzt es nicht. Es nimmt ihr die Routine ab.
BrauchtEinen Review-Prozess, der schon ohne KI funktioniert, und die Regel, welche Codestellen nie ohne zweite Person durchgehen.
Wie ein agentischer Assistent bei Code-Reviews und Dokumentation in OT-Projekten konkret mitarbeitet und wo er an Grenzen stößt, beschreibt unser Praxisbericht zu Claude Code im Industrial DevOps.
Welche Herausforderungen
hat KI in der
Produktion?
Das Muster ist fast immer dasselbe. Der Pilot läuft auf einem Laptop mit einem Datenexport aus dem letzten Quartal, die Präsentation überzeugt, und dann soll das Modell in die Linie. Ab da geht es kaum noch um KI.
Die drei größten Herausforderungen beim Einsatz von KI in der Produktion sind Datenqualität (unvollständige, verstreute Maschinen- und Prozessdaten), fehlendes Domänenwissen (allgemeine Modelle verstehen die Anlage nicht) und die Integration in bestehende SPS- und IT-Landschaften. Alle drei sind im Kern Probleme der Automatisierung und der IT/OT-Konvergenz. Deshalb gehören sie auf Stufe 3 gelöst, bevor Stufe 4 beginnt.
Die amtliche Statistik sieht es genauso. Unternehmen, die KI erwogen und nicht eingeführt haben, nennen nach fehlendem Wissen (72 %) und unklaren Rechtsfolgen (62 %) vor allem inkompatible Systeme (45 %) und Probleme mit Verfügbarkeit oder Qualität der Daten (44 %), so die IKT-Erhebung 2025 des Statistischen Bundesamts. Die meisten Teams, die uns anrufen, haben genau so einen Laptop mit genau so einem Export. Zu den drei großen Hürden kommen zwei, die wir in fast jedem Projekt zusätzlich antreffen.
AI- /01
Die Daten sind da, aber verstreut
Ein Modell braucht saubere, vollständige und strukturierte Daten aus MES, SPS, Sensorik und Build-Pipeline. Liegen die Maschinendaten in drei Formaten auf vier Systemen, lernt das Modell zuerst das Chaos. Ein Moment, den wir so erlebt haben: Das Team will ein Modell mit drei Jahren Build-Historie trainieren und stellt fest, dass der alte Jenkins die Logs nach 30 Tagen rotiert hat. Drei Jahre Trainingsmaterial, unwiederbringlich weg.
Was hilftDatenströme zusammenführen, Formate vereinheitlichen, mindestens sechs Monate Historie sichern. Das ist Arbeit auf Stufe 3, nicht auf Stufe 4.
- /02
Das Modell kennt die Anlage nicht
Allgemeine Sprach- oder Bildmodelle verstehen weder die Physik einer Schweißnaht noch die Eigenheiten einer Anlage aus dem Jahr 2009. Das Prozesswissen der Leute vor Ort ersetzt KI nicht. Sie braucht es, zum Trainieren und zum Korrigieren.
Was hilftModelle auf den konkreten Prozess zuschneiden und die Leute einbinden, die ihn seit Jahren fahren. Ohne Instandhaltung und Produktionstechnik am Tisch bleibt der Pilot ein IT-Projekt.
- /03
Das Modell kommt nicht in die Steuerung
Die Anbindung an bestehende Steuerungen (SPS/PLC), OPC-UA-Server und die IT-Infrastruktur fehlt in fast jeder Pilot-Präsentation und kostet im Projekt die meiste Zeit. Ein Modell, das niemand in die Steuerung zurückspielen kann, bleibt ein Dashboard.
Was hilftIT/OT-Konvergenz technisch ernst nehmen: versionierter SPS-Code, definierte Schnittstellen, CI/CD bis an die Anlage. Genau dort setzt Industrial DevOps an.
- /04
Der gelebte Prozess ist nicht der dokumentierte
Die CI/CD-Pipeline sieht im Diagramm gut aus. In der Praxis gibt es Ausnahmen, manuelle Eingriffe und Entscheidungen aus Gewohnheit, und genau die fehlen später in den Daten.
Was hilftKI optimiert, was existiert. Prozesslücken repariert sie nicht. Erst die Prozesse so leben, wie sie aufgeschrieben sind, dann optimieren.
- /05
Für Grundlagenarbeit bleibt keine Zeit
Wenn die Geschäftsführung KI auf der Roadmap sehen will, ist Grundlagenarbeit schwer zu verkaufen. „Wir müssen erst unsere Automatisierung reifen lassen“ klingt in dieser Runde defensiv.
Was hilftEs ist trotzdem die ehrliche Antwort. Ein schneller Pilot auf wackligen Daten scheitert und kostet am Ende mehr als die Arbeit, die er überspringen wollte.
Wie versionierter Steuerungscode und eine Pipeline bis an die Anlage konkret aussehen, zeigt unser Anwendungsfall Maschinenbau & SPS/PLC. Weil zwei der fünf Hürden organisatorisch sind, begleiten wir den Wandel auf Wunsch im DevOps-Coaching.
Was sind die vier Stufen
industrieller
Transformation?
Die fünf Hürden haben eine gemeinsame Ursache: Sie gehören zu einer Stufe, die noch nicht abgeschlossen ist. Das Vier-Stufen-Modell macht diese Reihenfolge sichtbar. Jede Stufe liefert, was die nächste braucht, und wer eine überspringt, merkt es an der nächsten. Wem die dritte Stufe noch fehlt, dem hilft oft zuerst Platform Engineering mit GitOps.
- /01Stufe 01
Industrialisierung
Das Fließband. Die Standardisierung. Reproduzierbarkeit.
Industrialisierung: Fließband und Standardisierung als Grundlage reproduzierbarer ProzesseDas Fließband, die Dampfmaschine, genormte Fertigungsteile. Der Kerngedanke ist bis heute der wichtigste in der Softwarelieferkette: Ein Prozess, der einmal gut funktioniert, soll immer gut funktionieren. Nicht weil ein besonders erfahrener Mensch dabei ist, sondern weil er so gebaut wurde.
BringtReproduzierbarkeit, Standardisierung, skalierbare Prozesse
Wenn sie fehltJedes Deployment ist ein Einzelfall, Fehler lassen sich nicht nachstellen, die Einarbeitung dauert Wochen.
- /02Stufe 02
Digitalisierung
Daten werden sichtbar, speicherbar, auswertbar.
Digitalisierung: Sichtbarkeit und Rückverfolgbarkeit von Daten in industriellen SystemenIn der Fabrik heißt das ERP, MES und SCADA. In der Softwarelieferkette heißt es Versionierung, Audit-Trails und eine Historie jeder Änderung. Ohne diese Stufe arbeitet jede spätere Automatisierung blind.
BringtSichtbarkeit, Rückverfolgbarkeit, Datenbasis
Wenn sie fehltNiemand weiß genau, welcher Stand wo läuft. Änderungen bleiben unsichtbar, und ein Modell hätte nichts, woraus es lernen könnte.
- /03Stufe 03
Automatisierung
Prozesse laufen von selbst, sofern sie digital erfasst sind.
Automatisierung: selbstausführende CI/CD-Pipelines und Infrastructure as CodeCI/CD-Pipelines, Infrastructure as Code, automatisierte Tests und GitOps sind unser Kerngeschäft. Automatisierung ist dabei keine Eigenschaft, die man hat oder nicht hat, sondern ein Reifegrad. Der erste Ertrag zeigt sich meist früh: das erste Release, das ohne Nachtschicht durchläuft, und ein Montagmorgen, an dem niemand fragen muss, welcher Stand eigentlich auf der Anlage liegt.
BringtGeschwindigkeit, Zuverlässigkeit, Zeit für anspruchsvollere Arbeit
Wenn sie fehltManuelle Schritte bremsen, erzeugen Fehler und skalieren nicht. Die Daten, die ein Modell bräuchte, entstehen gar nicht erst.
- /04Stufe 04
Intelligisierung
Systeme lernen, erkennen Muster, entscheiden kontextabhängig.
Intelligisierung: KI, Sprachmodelle und agentische Systeme in industriellen SoftwarelieferkettenMachine Learning, Sprachmodelle, agentische Systeme, prädiktive Qualitätssicherung. Systeme, die nicht nur Regeln befolgen, sondern aus Daten lernen und kontextabhängig entscheiden. Das funktioniert heute in der Produktion. Es setzt aber die drei Stufen davor voraus.
BringtAnpassungsfähigkeit, Prognose, Teilautonomie
Wenn sie fehltSie reagieren auf Probleme, statt sie kommen zu sehen. Entscheidungen beruhen auf der Erfahrung Einzelner, nicht auf Mustern in den Daten.
Das Vier-Stufen-Modell ist nicht dasselbe wie Industrie 5.0. Unter diesem Begriff beschreibt die EU-Kommission seit 2021 ein Leitbild für eine Industrie, die menschzentriert, nachhaltig und resilient arbeitet. Das sind Ziele. Die vier Stufen beschreiben dagegen die technische Reihenfolge, in der eine Organisation ihre Fähigkeiten aufbaut. Beides verträgt sich gut: Eine resiliente Fertigung braucht nachvollziehbare Software, und die entsteht auf Stufe 3.
Was bedeutet
KI-Industrialisierung?
KI-Industrialisierung bedeutet, künstliche Intelligenz nach denselben Prinzipien zu betreiben wie eine industrielle Fertigung: versioniert, reproduzierbar, automatisiert getestet und auditierbar. Statt einzelner KI-Piloten entstehen Modelle und KI-Agenten, die über CI/CD-Pipelines ausgerollt, überwacht und zurückgerollt werden.
Damit ist KI-Industrialisierung der Übergang von Stufe 3 zu Stufe 4: Die Disziplin der Automatisierung wird auf die KI selbst angewendet. Erst wenn ein Modell denselben Qualitätsregeln folgt wie der Rest der Softwarelieferkette, also Versionierung, Tests und Audit-Trail, lässt es sich in der Produktion dauerhaft betreiben und gegenüber EU AI Act und IEC 62443 nachweisen. Die kompakte Definition der vierten Stufe steht im Glossar unter Intelligisierung.
Was ist bei KI
in der Fabrik
anders?
Industrial DevOps überträgt DevOps-Prinzipien auf industrielle und cyber-physische Systeme, also auf Maschinenbau und SPS/PLC, Automotive, Energieversorgung und Fertigung. Die Grundlagen rollt unser Leitfaden Industrial DevOps von vorne auf.
Für Modelle verschärfen sich die Unterschiede zur Cloud an vier Stellen. Sie erklären, warum MLOps in der Produktion anders aussieht als in einem Onlineshop.
- /01
Die Anlagen laufen länger
Nicht drei Jahre, sondern fünfzehn. Ein Modell, das mit der Maschine ausgeliefert wird, muss so lange pflegbar und nachweisbar bleiben wie die Maschine selbst. Ein Update-Zyklus von sechs Monaten gilt in vielen Werken schon als ehrgeizig.
- /02
Fehler kosten mehr
Ein Fehler im Web-Frontend ist ärgerlich. Ein Modell, das eine Auswurfweiche zu spät auslöst, produziert Ausschuss oder beschädigt die Anlage, und ein Fehler in der Steuerungssoftware kann zur Haftungsfrage werden. Deshalb wird früh in der Pipeline getestet und nicht erst an der Linie.
- /03
Die Systeme sind heterogen
Alte SPS, neue OPC-UA-Server, MES-Systeme aus drei Jahrzehnten und irgendwo eine Excel-Datei, die niemand anfassen will, weil sie irgendwie alles zusammenhält. Das Modell muss mit allem davon reden.
- /04
Compliance gehört in die Pipeline
IEC 62443, ISO/SAE 21434 und für KI zusätzlich der EU AI Act. Wer Nachweise erst vor dem Audit zusammensucht, rekonstruiert sie von Hand. Sie entstehen besser als Nebenprodukt jedes Builds, von Anfang an.
Was ist MLOps, und was
ist daran in der
Produktion anders?
Die vierte Stufe scheitert selten am Modell. Sie scheitert daran, dass niemand sagen kann, welcher Modellstand gerade auf welcher Anlage rechnet. Genau diese Frage beantwortet MLOps.
MLOps (Machine Learning Operations) überträgt die Praktiken von DevOps auf Machine-Learning-Modelle: Daten, Trainingscode und Modellstände werden versioniert, über eine CI/CD-Pipeline automatisiert getestet und ausgerollt und im Betrieb überwacht. Industrial MLOps ist derselbe Zyklus unter industriellen Bedingungen: Das Modell läuft nicht in einer Cloud-Region, sondern auf einem Edge-Gerät neben der Anlage, es hängt an OT-Daten, also Sensor- und Steuerungsdaten aus dem Produktionsnetz, und sein Rollout durchläuft dieselbe Freigabekette wie jede andere Änderung an der Maschine.
AIDas klingt akademisch und ist es nicht. Ein Modell, das eine Gutteil-Entscheidung trifft, ist ein Teil der Anlage. Es hat einen Stand, eine Freigabe und eine Historie, oder es hat in der Fertigung nichts verloren. Die folgenden sieben Praktiken setzen wir in Projekten auf, bevor ein Modell in die Linie darf.
- /01
Daten und Modelle versionieren, nicht nur den Code
Ein Modellstand ist erst reproduzierbar, wenn Trainingsdatensatz, Feature-Definition, Hyperparameter und Trainingscode gemeinsam versioniert sind. Wer nur das Repository mit dem Trainingsskript sichert, kann ein halbes Jahr später nicht mehr erklären, warum das Modell im Mai anders entschieden hat als im Februar.
In der PraxisGit für Code, ein Artefakt-Store für Datensätze und Modellstände, eine gemeinsame Kennung über beides.
- /02
Training gehört in die Pipeline, nicht auf den Laptop
Der Prototyp entsteht fast immer in einem Notebook, und das ist auch richtig so. Produktiv wird er erst, wenn derselbe Trainingslauf per Knopfdruck auf einem sauberen Rechner startet und dasselbe Ergebnis liefert. An diesem Punkt scheitern die meisten KI-Piloten, die wir übernehmen: Das Modell funktioniert, aber niemand kann es ein zweites Mal bauen.
In der PraxisTrainingslauf als Stage in Jenkins, GitLab CI oder Azure DevOps, mit festgepinnten Abhängigkeiten und protokollierten Metriken.
- /03
Eine Freigabekette bis an die Anlage
In der IT reicht ein Merge nach main. Ein Modell, das die Sortierung einer Linie beeinflusst oder über Gutteil und Ausschuss entscheidet, braucht dieselbe Freigabe wie jede andere Änderung an der Maschine: benannter Prüfer, dokumentiertes Kriterium, nachvollziehbarer Zeitpunkt.
In der PraxisModel Registry mit den Stufen Kandidat, freigegeben und produktiv, und eine Freigabe, die Produktionstechnik und Qualitätssicherung mittragen.
- /04
Drift überwachen, weil die Anlage sich ändert
Ein Modell für Oberflächenfehler, das auf den Bildern einer Charge trainiert wurde, wird schlechter, sobald der Lieferant des Rohmaterials wechselt oder jemand die Beleuchtung tauscht. Das Modell meldet das nicht von selbst. Es liefert weiter Ergebnisse, nur eben falsche.
In der PraxisVerteilung der Eingangsdaten und Trefferquote laufend messen, Schwellwerte festlegen, den Alarm auf dasselbe Monitoring legen wie Anlagen- und Pipeline-Kennzahlen.
- /05
Rollback ist Pflicht, nicht Komfort
Der vorherige Modellstand muss in Minuten zurückholbar sein, samt der zugehörigen Vorverarbeitung. Ein Rollback, der nur das Modell tauscht und die Feature-Berechnung stehen lässt, erzeugt einen Zustand, den vorher niemand getestet hat.
In der PraxisModell und Vorverarbeitung als ein Artefakt ausrollen und den Rollback einmal im Quartal üben, statt ihn nur zu dokumentieren.
- /06
Die Pipeline endet am Edge, nicht im Rechenzentrum
Edge-KI heißt, das Modell rechnet auf einem Industrie-PC oder Gateway direkt neben der Anlage statt in der Cloud. Latenz, fehlende Netzverbindung und die Zykluszeit der Steuerung entscheiden darüber, ob das überhaupt geht. Ein Inferenzaufruf mit 300 Millisekunden ist für ein Dashboard schnell genug und für eine Auswurfweiche zu langsam.
In der PraxisZielhardware früh festlegen, das Modell dafür quantisieren, den Rollout auf Edge-Geräte über dieselbe GitOps-Strecke fahren wie die übrige Infrastruktur.
- /07
Audit-Trail vom Datensatz bis zur Entscheidung
Wenn eine KI-gestützte Prüfung ein Teil aussortiert, muss ein halbes Jahr später rekonstruierbar sein, welcher Modellstand das war, worauf er trainiert wurde und wer ihn freigegeben hat. Für Hochrisiko-Systeme verlangt der EU AI Act genau diese Kette.
In der PraxisModellkennung, Datensatzkennung und Freigabe im selben Log führen wie Build- und Deployment-Daten, damit ein Audit eine Abfrage ist und keine Recherche.
Wer diese sieben Punkte liest und feststellt, dass sechs davon schon für die normale Software fehlen, hat kein KI-Problem. Er hat ein Automatisierungsproblem, und das ist die bessere Nachricht, weil es sich lösen lässt. Wie der Weg dorthin aussieht, beschreibt unsere Leistungsseite zur DevOps-Automatisierung.
Was unterscheidet MLOps,
AIOps und Industrial DevOps?
MLOps betreibt den Lebenszyklus von Machine-Learning-Modellen, also Training, Versionierung, Rollout und Drift-Überwachung. AIOps setzt KI im IT-Betrieb ein, für Anomalieerkennung, Alert-Korrelation und Ursachenanalyse. Industrial DevOps mit KI ist die Klammer um beides und reicht bis in die OT: eine Lieferkette, die Anwendungscode, Steuerungscode und Modelle über dieselbe Pipeline und dieselbe Freigabekette bis an die Anlage bringt.
Die drei Begriffe werden regelmäßig verwechselt, und das ist mehr als ein Vokabelproblem. Wer eine MLOps-Plattform kauft, obwohl er Störungen im Betrieb schneller finden wollte, hat danach saubere Modellversionen und dieselben Nachtalarme wie vorher. Die Definition von AIOps steht im Glossar, welche Kennzahlen AIOps im Betrieb tatsächlich bewegt, rechnet unser Artikel zu MTTR, MTBF und MTTD durch.
| Aspekt | MLOps | AIOps | Industrial DevOps mit KI |
|---|---|---|---|
| Fokus | Lebenszyklus von ML-Modellen: Daten, Training, Rollout, Drift | IT-Betrieb: Monitoring, Incident Management | Gesamte Softwarelieferkette: Build, Test, Deploy, Monitor |
| Reichweite | Modelle und die Datenpipelines, die sie speisen | Vor allem IT-Infrastruktur | IT und OT: SPS, SCADA, Edge, Embedded |
| Rolle der KI | Das Modell ist das Produkt, nicht das Werkzeug | Anomalieerkennung, Alert-Korrelation, Ursachenanalyse | Prädiktive QS, adaptive Tests, selbstheilende Pipelines, KI-Agenten |
| Compliance | EU AI Act, ISO/IEC 42001, BSI A5 | SOC 2, PCI DSS | IEC 62443, ISO 26262, ISO/SAE 21434, EU AI Act |
| Lebenszyklen | Wochen bis Monate bis zum nächsten Retraining | 2–5 Jahre (Cloud, SaaS) | 15 Jahre und mehr (Anlagen, Embedded) |
| Zielgruppe | Data Scientists, ML-Engineers, Plattform-Teams | IT-Betrieb, SRE | DevOps-Engineers, SPS-Entwickler, Produktionstechnik |
Was ist Agentic AI
in der Produktion?
Nach Agentic AI fragen uns Kunden derzeit häufiger als nach jedem anderen Teil der Intelligisierung. Produktiv nutzbar wird sie dort, wo die DevOps-Automatisierung steht, denn ein Agent handelt nur so sicher wie die Pipeline, die er bedient.
Agentic AI bezeichnet KI-Systeme, die nicht nur Vorhersagen treffen, sondern eigenständig Aufgaben planen, Entscheidungen treffen und ausführen. In der industriellen Softwarelieferkette übernehmen agentische Systeme Testplanung, die Behebung typischer Fehlerzustände und die Steuerung der Pipeline nach Lage, immer unter menschlicher Aufsicht und mit protokollierten Entscheidungen.
- /01
Agentische Pipeline-Steuerung
Statt starrer Regelketten plant ein KI-Agent den nächsten Schritt nach Lage: welche Tests relevant sind, welches Deployment-Fenster sicher ist, ob ein Rollback nötig wird. Jede dieser Entscheidungen landet im Protokoll, weil der EU AI Act sie später nachvollziehbar sehen will.
- /02
Autonome Tests und Self-Healing
Agentische Systeme erzeugen und priorisieren Testfälle selbst, erkennen instabile Umgebungen und beheben typische Fehlerzustände wie flaky Tests oder hängende Deployments, bevor jemand eingreifen muss.
- /03
KI-Assistenz im Entwickler-Workflow
Vom Code-Review über Commit-Messages bis zur Dokumentation beschleunigt agentische Assistenz die Routinearbeit in der Softwarelieferkette. Sie verstärkt das Team. Die fachliche Verantwortung bleibt bei den Menschen, die den Merge freigeben.
Was bedeutet der EU AI Act
für KI in der
Fertigung?
Die KI-Verordnung ist seit August 2024 in Kraft, ihre Pflichten greifen gestaffelt. Mit dem Digital Omnibus, der Verordnung (EU) 2026/1744, haben sich im Juli 2026 die Hochrisiko-Stichtage verschoben: Anhang III gilt ab 2. Dezember 2027, KI als Sicherheitsbauteil in Maschinen und anderen regulierten Produkten ab 2. August 2028. Zeitleiste und Einstufung typischer Anwendungsfälle stehen in unserem Leitfaden zur EU-AI-Act-Umsetzung in der Industrie.
- /01
Erst einstufen, dann dokumentieren
Die meisten KI-Anwendungen in der Produktion sind kein Hochrisiko-System. Der Digital Omnibus stellt ausdrücklich klar, dass eine Qualitätskontrolle ohne Sicherheitsfunktion kein Sicherheitsbauteil ist, und auch Predictive Maintenance fällt meist nicht darunter. Anders liegt es, wenn die KI eine Sicherheitsfunktion übernimmt, etwa bei der Mensch-Roboter-Kollaboration. Dann greifen Risikobewertung, technische Dokumentation, menschliche Aufsicht und Konformitätsbewertung. Festhalten müssen Sie die Einstufung in jedem Fall.
- /02
Entscheidungswege nachvollziehbar machen
Wenn ein KI-Agent ein Deployment freigibt oder einen Test priorisiert, muss dokumentiert sein, auf welcher Grundlage er das getan hat. Die Frage des Auditors wird konkret lauten: Wer hat dieses Deployment freigegeben, und auf welcher Datenbasis? „Das Modell“ ist keine Antwort, die eine Konformitätsbewertung besteht.
- /03
Auditierbarkeit in die Pipeline einbauen
Für Hochrisiko-Systeme verlangt Art. 12 der Verordnung eine automatische Protokollierung über den gesamten Lebenszyklus. DevOps-Teams loggen, versionieren und reproduzieren KI-Entscheidungen deshalb in derselben Pipeline wie ihren Code, und GitOps-Workflows bringen dafür schon das meiste mit. Einen deutschen Prüfmaßstab liefert der BSI-Prüfkatalog A5, seit Juli 2026 als Community Draft und maschinenlesbar im OSCAL-Format.
Wer bereits DevSecOps-Praktiken nach IEC 62443 umgesetzt hat, also Shift-Left Security, Policy-as-Code und automatisierte Compliance-Checks, hat einen großen Teil der Nachweise bereits in der Pipeline. KI-spezifische Audit-Trails und Risikobewertungen sind der nächste Schritt. Den Maßstab dafür entwickelt das BSI gerade mit dem Prüfkatalog A5 (AI Audit and Assurance Assessment Architecture), methodisch an C5 und ISAE 3000 angelehnt und mit Kriterien im OSCAL-Format, das Policy-as-Code-Toolchains direkt verarbeiten. Die Kommentierungsfrist für den Entwurf endete am 31. August 2026, eine finale Fassung liegt Ende September 2026 noch nicht vor. Module, Methodik und Handlungsempfehlungen stehen in unserer Analyse zu BSI A5.
Wie steht es um
Ihre KI-
Readiness?
2025 nutzten laut Statistischem Bundesamt 26 % der Unternehmen in Deutschland KI, bei Unternehmen ab 250 Beschäftigten 57 %. Wie tief, sagt die Zahl nicht. KI-Readiness, also die Frage, ob Daten, Pipelines und Organisation ein Modell im Betrieb tragen, lässt sich nicht an- und ausschalten. Sie ist ein Reifegrad, und der lässt sich messen. Wie das methodisch geht, beschreibt unser Artikel DevOps-Reifegrad messen.
| Stufe | Merkmale | KI-Readiness | Nächster Schritt |
|---|---|---|---|
| 1 · Industrialisiert | Prozesse definiert, aber manuell. Builds per Hand, Releases nach Bauchgefühl. | Nicht bereit | Versionierung einführen, erste CI-Pipeline aufsetzen |
| 2 · Digitalisiert | Git-basierte Versionierung, Audit-Trails, Rückverfolgbarkeit. Deployments noch manuell. | Datenbasis entsteht | CI/CD-Pipeline automatisieren, IaC einführen |
| 3 · Automatisiert | CI/CD-Pipelines, automatisierte Tests, IaC, GitOps. Strukturierte Daten aus Builds und Tests. | Bereit für KI-Piloten | Datenqualität prüfen, ersten Anwendungsfall auswählen |
| 4 · Intelligisiert | KI-gestützte Testplanung, Anomalieerkennung, prädiktive QS, agentische Systeme in der Pipeline. | KI im Produktivbetrieb | Skalieren, weitere Anwendungsfälle, Governance aufbauen |
Bin ich bereit
für KI in meiner
Softwarelieferkette?
Zehn Fragen zeigen, ob Ihre Organisation die Voraussetzungen für KI in der CI/CD-Pipeline mitbringt. Zählen Sie die Antworten, auf die Sie ohne Zögern mit Ja antworten.
- /01Sind Ihre Build- und Test-Prozesse in einer CI/CD-Pipeline automatisiert?
- /02Nutzen Sie Git-basierte Versionierung für allen Quellcode, auch für SPS/PLC?
- /03Werden Build-Logs, Testergebnisse und Deployment-Historien strukturiert gespeichert?
- /04Haben Sie mindestens sechs Monate historische Pipeline-Daten?
- /05Sind Ihre Tests stabil genug, um instabile Tests von echten Fehlern zu unterscheiden?
- /06Gibt es ein gemeinsames Monitoring für IT und OT?
- /07Ist Infrastructure as Code für Ihre Umgebungen umgesetzt?
- /08Ist festgelegt, wer für die Qualität welcher Daten verantwortlich ist?
- /09Erfüllen Ihre Prozesse bereits die Compliance-Anforderungen Ihrer Branche (IEC 62443, ISO 26262)?
- /10Gibt es Rückendeckung und Budget für einen KI-Piloten von drei bis sechs Monaten?
Acht bis zehn Ja-Antworten: Sie sind bereit für einen KI-Piloten. Fünf bis sieben: Schließen Sie zuerst die Lücken, meist sind es Datenhistorie und stabile Tests. Unter fünf: Investieren Sie in Automatisierung und Datenstruktur, bevor Sie ein KI-Projekt starten. Für diese Basis rechnen wir typischerweise mit 6–12 Monaten.
Sie möchten die Antworten lieber mit jemandem durchgehen, der Ihre Art von Anlage kennt? Im kostenlosen Reifegrad-Audit gehen wir den Check in 15 Minuten gemeinsam durch und sagen Ihnen, welche der Lücken für einen KI-Piloten zuerst zählen.
Automatisierung
vor KI. Der
Comquent-Ansatz.
Wir wollen Unternehmen nicht auf den neuesten Hype bringen. Wir suchen mit ihnen die nächste sinnvolle Stufe und setzen sie so um, dass sie hält. Wie das konkret aussieht, zeigt unser Leistungsangebot zu Industrial DevOps.
Das heißt manchmal, dass wir zuerst eine saubere Automatisierung empfehlen, bevor wir über KI sprechen. Nicht weil wir KI unterschätzen. Wir haben zu viele Piloten gesehen, die an der Stufe davor gescheitert sind.
Steht die Basis, gehen wir den nächsten Schritt konsequent. Prädiktive QS, KI-gestützte Pipelines und agentische Assistenz in der Entwicklung sind bei uns laufende Projektarbeit. Mit IndustrialFlow hat Comquent außerdem eine CI/CD-Plattform für die Industrie entwickelt, deren interaktiver UI-Prototyp öffentlich zugänglich ist.
Comquent GmbH mit Sitz in Puchheim bei München berät seit 2006 Industrieunternehmen bei der Einführung von DevOps, CI/CD-Automatisierung und Industrial DevOps. Aus über 47 abgeschlossenen Projekten in Automotive, Maschinenbau, Fertigung und Logistik kennen wir die typischen Hürden auf dem Weg von der Automatisierung zur Intelligisierung. In der Comquent Academy bieten wir Trainings zu CI/CD, Jenkins, DevSecOps nach IEC 62443 und KI-gestützten DevOps-Prozessen für die Industrie an.
90 Minuten.
Reifegrad gemessen.
Kostenloser DevOps-Quick-Scan: Wir analysieren in 90 Minuten Ihre aktuelle Lage, benennen die drei größten Hebel und dokumentieren das Ergebnis als PDF. Für Unternehmen ab 50 Mitarbeitern. Sie gehen keine Verpflichtung ein. Das Ergebnis gehört Ihnen, und was Sie damit machen, entscheiden Sie.
Ergebnis-PDF inklusive
Was Kunden
wirklich fragen.
- Q.01
- Wo wird KI in der Produktion eingesetzt?
- KI wird in der Produktion vor allem für vorausschauende Wartung (Predictive Maintenance), automatisierte Qualitätskontrolle per Computer Vision, Anomalieerkennung an Maschinendaten und intelligente Produktionsplanung eingesetzt, dazu für Energie- und Ressourcenmanagement. In der Softwarelieferkette kommen prädiktive Qualitätssicherung, adaptive Testplanung und KI-gestützte Code-Reviews hinzu. Voraussetzung ist in allen Fällen eine strukturierte Datenbasis aus automatisierten, reproduzierbaren Prozessen.
- Q.02
- Welche Beispiele gibt es für KI-Einsatz in der Industrie?
- Typische Beispiele sind ein Modell, das an Schwingung und Stromaufnahme eines Antriebs einen Lagerschaden Tage vor dem Ausfall erkennt, eine Kamera, die Oberflächenfehler im Takt der Linie aussortiert, und eine Produktionsplanung, die bei einem Eilauftrag Rüstreihenfolge und Materialbedarf neu berechnet. Weniger sichtbar, aber ebenso wirksam ist KI in der Softwarelieferkette dahinter: Anomalieerkennung in CI/CD-Pipelines, adaptive Testplanung und agentische Systeme, die typische Fehlerzustände selbst beheben.
- Q.03
- Wie kann KI in der Produktionsplanung eingesetzt werden?
- KI kann in der Produktionsplanung aus historischen und aktuellen Auftrags-, Maschinen- und Lagerdaten Durchlaufzeiten, Rüstreihenfolgen und Materialbedarf vorhersagen und den Plan bei Eilaufträgen, Materialengpässen oder Maschinenausfällen neu berechnen. Statt starrer Planungsregeln entstehen Pläne, die auf Nachfrageschwankungen reagieren. Voraussetzung sind zusammengeführte Daten aus MES, ERP und Maschinensteuerung und eine Pipeline, die Planungsmodelle versioniert und nachvollziehbar ausrollt.
- Q.04
- Welche Herausforderungen gibt es beim Einsatz von KI in der Produktion?
- Die drei größten Herausforderungen sind Datenqualität (unvollständige, verstreute Maschinen- und Prozessdaten), fehlendes Domänenwissen (allgemeine Sprach- und Bildmodelle verstehen die konkrete Anlage nicht) und die Integration in bestehende SPS- und IT-Landschaften. Das Statistische Bundesamt misst dieselben Gründe: Von den Unternehmen, die KI erwogen und nicht eingeführt haben, nennen 44 % Probleme mit Verfügbarkeit oder Qualität der Daten und 45 % die Inkompatibilität mit vorhandenen Systemen (IKT-Erhebung 2025). Alle drei lösen sich auf der Automatisierungsstufe, mit zusammengeführten Datenströmen, versioniertem Steuerungscode und CI/CD bis an die Anlage.
- Q.05
- Warum scheitern KI-Projekte in der Produktion?
- KI-Projekte in der Produktion scheitern meist nicht am Modell, sondern daran, dass es niemand ein zweites Mal bauen, freigeben und in die Steuerung bringen kann. Der Pilot läuft auf einem Laptop mit einem Datenexport, und für den Betrieb fehlen versionierte Daten, eine Pipeline und eine Freigabekette. KI auf einer unautomatisierten Softwarelieferkette erzeugt deshalb kein verwertbares Signal, sondern Rauschen.
- Q.06
- Was sind die vier Stufen der industriellen Transformation?
- Die vier Stufen sind Industrialisierung (Reproduzierbarkeit und Standardisierung), Digitalisierung (Sichtbarkeit und Datenbasis), Automatisierung (selbstausführende Prozesse über CI/CD, IaC und GitOps) und Intelligisierung (KI-gestützte Anpassungsfähigkeit, Prognose und Teilautonomie). Jede Stufe liefert, was die nächste braucht. Wer eine überspringt, merkt es an der nächsten.
- Q.07
- Was bedeutet Intelligisierung in der Industrie?
- Intelligisierung ist die vierte Stufe der industriellen Transformation. Sie beschreibt den systematischen Einsatz von künstlicher Intelligenz, Machine Learning und agentischen Systemen, um Prozesse nicht nur zu automatisieren, sondern prognosefähig und teilautonom zu machen. In der Softwarelieferkette heißt das prädiktive Qualitätssicherung, adaptive Testplanung und Anomalieerkennung in CI/CD-Pipelines.
- Q.08
- Was unterscheidet DevOps-Automatisierung von Intelligisierung?
- DevOps-Automatisierung macht Prozesse selbstausführend: CI/CD-Pipelines bauen, testen und deployen reproduzierbar, Infrastructure as Code und GitOps halten Umgebungen versioniert. Intelligisierung macht diese Prozesse lernfähig: Modelle und agentische Systeme lernen aus den Daten der Pipeline, erkennen Anomalien, priorisieren Tests und entscheiden kontextabhängig. Die Automatisierung ist damit die Voraussetzung, denn ohne ihre strukturierten, reproduzierbaren Daten hat die Intelligisierung nichts, woraus sie lernen könnte.
- Q.09
- Ist Intelligisierung dasselbe wie Industrie 5.0?
- Nein. Industrie 5.0 ist ein Leitbild der EU-Kommission aus dem Jahr 2021 für eine Industrie, die menschzentriert, nachhaltig und resilient arbeitet. Intelligisierung beschreibt dagegen die technische Stufe, auf der KI in Prozesse und Softwarelieferketten einzieht, und die Reihenfolge, in der die Fähigkeiten dafür aufgebaut werden. Beides verträgt sich: Eine resiliente Fertigung braucht nachvollziehbare, automatisierte Software.
- Q.10
- Was bedeutet KI-Industrialisierung?
- KI-Industrialisierung bedeutet, künstliche Intelligenz nach denselben Prinzipien zu betreiben wie eine industrielle Fertigung: versioniert, reproduzierbar, automatisiert getestet und auditierbar. Statt einzelner KI-Piloten entstehen Modelle und KI-Agenten, die über CI/CD-Pipelines ausgerollt, überwacht und zurückgerollt werden. Das ist die Voraussetzung für einen dauerhaften, nachweisbaren KI-Betrieb in der Produktion.
- Q.11
- Was ist MLOps?
- MLOps (Machine Learning Operations) überträgt die Praktiken von DevOps auf Machine-Learning-Modelle: Trainingsdaten, Trainingscode und Modellstände werden gemeinsam versioniert, über eine CI/CD-Pipeline automatisiert getestet und ausgerollt und im Betrieb auf Qualitätsverlust überwacht. Ziel ist, dass ein Modell reproduzierbar gebaut, nachvollziehbar freigegeben und jederzeit auf einen früheren Stand zurückgerollt werden kann.
- Q.12
- Was ist Industrial MLOps und was unterscheidet es von MLOps in der Cloud?
- Industrial MLOps ist MLOps unter industriellen Bedingungen. Drei Unterschiede prägen die Praxis: Das Modell läuft als Edge-KI auf einem Gerät neben der Anlage statt in einer Cloud-Region, es verarbeitet OT-Daten aus Sensorik und Steuerung statt Geschäftsdaten, und sein Rollout durchläuft dieselbe Freigabekette wie jede andere Änderung an der Maschine. Dazu kommen längere Lebenszyklen: Ein Modell, das mit einer Maschine ausgeliefert wird, muss über deren gesamte Laufzeit gepflegt und nachweisbar bleiben.
- Q.13
- Was ist der Unterschied zwischen MLOps und DevOps?
- DevOps automatisiert die Auslieferung und den Betrieb von Software über CI/CD-Pipelines, Infrastructure as Code und GitOps. MLOps setzt darauf auf und ergänzt, was ein Modell zusätzlich braucht: Versionierung der Trainingsdaten, reproduzierbares Training, eine Model Registry mit Freigabestufen und Drift-Überwachung im Betrieb. Der wesentliche Unterschied ist, dass ein Modell schlechter wird, ohne dass sich sein Code ändert, weil sich die Realität ändert. Versionierung des Codes allein reicht deshalb nicht.
- Q.14
- Was ist der Unterschied zwischen AIOps und MLOps?
- AIOps setzt KI im IT-Betrieb ein, um Alarme zu korrelieren, Anomalien zu erkennen und Ursachen schneller zu finden. MLOps betreibt den Lebenszyklus von Machine-Learning-Modellen, also Training, Versionierung, Rollout und Drift-Überwachung. Industrial DevOps mit KI verbindet beides und reicht bis in die OT: Anwendungscode, Steuerungscode und Modelle laufen über dieselbe Pipeline und dieselbe Freigabekette bis an die Anlage, unter den Anforderungen von IEC 62443, ISO 26262 und langen Lebenszyklen.
- Q.15
- Was ist Anomalieerkennung in der Produktion?
- Anomalieerkennung bedeutet, ein Modell auf dem Normalzustand eines Prozesses zu trainieren und anschließend jede Abweichung davon zu melden, ohne dass die konkreten Fehlerbilder vorher bekannt sein müssen. An der Anlage sind das Schwingung, Temperatur oder Stromaufnahme außerhalb des eingelernten Musters, in der CI/CD-Pipeline ungewöhnliche Build-Zeiten, Speicherverbrauch oder Fehlermuster, die kein fester Schwellwert erwischt. Voraussetzung ist in beiden Fällen eine lückenlose Historie des Normalbetriebs.
- Q.16
- Was ist Industrial AI?
- Industrial AI ist der Einsatz künstlicher Intelligenz auf physische Prozesse, also auf Maschinen, Fertigungslinien, Netze und Anlagen. Typische Anwendungen sind vorausschauende Wartung, Qualitätskontrolle per Computer Vision, Anomalieerkennung an Maschinendaten und Produktionsplanung. Von KI in Verwaltung oder Vertrieb unterscheidet sie sich in den Anforderungen: kurze Reaktionszeiten, nachvollziehbare Entscheidungen und definiertes Verhalten im Fehlerfall, weil ein falsches Ergebnis Ausschuss, Stillstand oder eine Sicherheitsfrage bedeutet.
- Q.17
- Was ist Agentic AI in der Produktion?
- Agentic AI bezeichnet KI-Systeme, die nicht nur Vorhersagen treffen, sondern eigenständig Aufgaben planen, Entscheidungen treffen und ausführen. In der industriellen Softwarelieferkette übernehmen agentische Systeme Testplanung, die Behebung typischer Fehlerzustände wie hängender Deployments und die Steuerung der Pipeline nach Lage. Sie arbeiten dabei unter menschlicher Aufsicht, und jede ihrer Entscheidungen wird protokolliert.
- Q.18
- Was bedeutet der EU AI Act für KI in der Produktion?
- Der EU AI Act verlangt zuerst eine Einstufung: Die meisten KI-Anwendungen in der Produktion sind kein Hochrisiko-System, und seit dem Digital Omnibus (Verordnung (EU) 2026/1744) ist ausdrücklich klargestellt, dass eine Qualitätskontrolle ohne Sicherheitsfunktion kein Sicherheitsbauteil ist. Übernimmt KI dagegen eine Sicherheitsfunktion in einer Maschine, gelten Risikobewertung, technische Dokumentation, menschliche Aufsicht und automatische Protokollierung, nach den verschobenen Fristen ab 2. August 2028. Einen deutschen Prüfmaßstab entwickelt das BSI mit dem Prüfkatalog A5, der seit Juli 2026 als Community Draft vorliegt.
- Q.19
- Wie finde ich heraus, ob mein Unternehmen bereit für KI ist?
- Prüfen Sie zehn Voraussetzungen der KI-Readiness: automatisierte CI/CD-Pipelines, Git-basierte Versionierung auch für SPS-Code, strukturiert gespeicherte Build- und Testdaten mit mindestens sechs Monaten Historie, stabile Tests, ein gemeinsames Monitoring für IT und OT, Infrastructure as Code, klare Verantwortung für Datenqualität, erfüllte Compliance-Anforderungen und Rückendeckung für einen KI-Piloten von drei bis sechs Monaten. Ab acht Ja-Antworten sind Sie bereit für einen Piloten. Eine erste Einschätzung gibt der Online-Reifegrad-Check in 3 Minuten ohne Anmeldung. Im ebenfalls kostenlosen Reifegrad-Audit gehen wir dieselben Fragen in 15 Minuten gemeinsam mit Ihnen durch, und im kostenlosen 90-Minuten-Quick-Scan analysieren wir Ihre Lage gemeinsam, ohne dass Sie sich zu etwas verpflichten.
- Q.20
- Wie lange dauert der Weg von Automatisierung zu Intelligisierung?
- Der Zeitrahmen hängt vom Reifegrad der bestehenden Automatisierung ab. Unternehmen mit soliden CI/CD-Pipelines und strukturierten Daten können erste KI-Piloten nach drei bis sechs Monaten starten. Fehlt diese Basis, muss zuerst die Automatisierung reifen, was nach unserer Erfahrung 6–12 Monate dauert. Bis zur produktiven KI-Integration sind insgesamt 12–18 Monate realistisch.
Wie geht es bei Ihnen mit KI in der Produktion weiter?
Sagen Sie uns mit einem Klick, wie es bei Ihnen weitergeht. Passend dazu bekommen Sie direkt einen konkreten nächsten Schritt — ganz ohne Formular.
Verwandte Artikel
Industrial DevOps: Der komplette Leitfaden
Was ist Industrial DevOps? CI/CD für cyber-physische Systeme und Industrie 4.0.
Industrial DevOps und KI: Intelligente Automatisierung
Self-Healing Pipelines, AIOps-Monitoring, KI-gestütztes Testing für die Industrie.
KI-Governance in der Industrie: den EU AI Act umsetzen
KI-Register, Model Cards und Drift-Gates aus der Pipeline, dazu die verschobenen Fristen nach dem Digital Omnibus.
Claude Code im Industrial DevOps
Die Intelligisierungs-Stufe konkret: was ein agentischer Assistent in OT-Projekten leistet und wo er endet.
Erstgespräch.
Kostenlos.
90 Tage zum Ergebnis.
Wir klären gemeinsam, wie Sie in 90 Tagen die ersten messbaren Industrial-DevOps-Erfolge erzielen.
Industrie · Automotive · Finance