Von der DevOps-
Automatisierung zur
Intelligisierung.
KI in Produktion und Fertigung: vier Stufen, sieben Einsatzfelder, sieben MLOps-Praktiken und drei Hürden. Warum KI ohne Automatisierung scheitert, aus der Perspektive derer, die diese Systeme täglich bauen und verantworten.
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 ihren Softwarelieferketten — für prädiktive Qualitätssicherung, Anomalieerkennung in CI/CD-Pipelines und adaptive Testplanung. Die Betriebspraxis dahinter heißt MLOps: Modelle werden versioniert, automatisiert getestet, ausgerollt und überwacht wie jede andere Software. Die Automatisierung steht vor der Intelligisierung, weil erst sie die strukturierten, reproduzierbaren Daten erzeugt, aus denen KI etwas lernen kann. Die wichtigsten Begriffe rund um Industrial DevOps und KI finden Sie in unserem DevOps-Glossar.
Ohne solide Automatisierung (Stufe 3) erzeugt KI kein verwertbares Signal. Laut TE Connectivity Industrial Technology Index 2026 setzen bereits 94 % der Industrieunternehmen Automatisierungstechnologien ein, aber nur ein Bruchteil ist bereit für die KI-Integration. Reife CI/CD-Pipelines sind die Eintrittskarte zur Intelligisierung — wie Sie dorthin kommen, beschreibt unsere Leistungsseite zur DevOps-Automatisierung mit Terraform und Kubernetes.
- /01Die industrielle Transformation verläuft in vier Stufen: Industrialisierung, Digitalisierung, Automatisierung und Intelligisierung. Jede Stufe baut auf der vorherigen auf.
- /02Intelligisierung bezeichnet den Einsatz von KI, Machine Learning und agentischen Systemen in industriellen Softwarelieferketten — für prädiktive Qualitätssicherung, Anomalieerkennung und adaptive Testplanung. DevOps-Automatisierung (CI/CD, IaC, GitOps) ist die Stufe davor — und ihr Fundament.
- /03KI ohne solide Automatisierung erzeugt kein Signal, sondern Rauschen. 76 % der DevOps-Teams nutzen bereits KI in ihren CI/CD-Pipelines (RealVNC DevOps Trends Report 2026), doch in der Industrie fehlt oft die Datenbasis — obwohl 80 % der Industrieunternehmen KI teilweise einsetzen (TE Connectivity 2026).
- /04MLOps ist die Betriebspraxis der vierten Stufe: Daten, Trainingscode und Modellstände versioniert, über die Pipeline ausgerollt und im Betrieb auf Drift überwacht. Industrial MLOps ergänzt drei Randbedingungen, die es in der Cloud so nicht gibt: Edge-Deployment neben der Anlage, Daten aus dem OT-Netz und eine Freigabekette, die Produktionstechnik mitträgt.
- /05Industrial DevOps unterscheidet sich strukturell von klassischem DevOps: längere Lebenszyklen (15+ Jahre), höhere Fehlerkosten, heterogene Systemlandschaften und strikte Compliance (IEC 62443, ISO 26262).
- /06Der realistische Weg zur KI-Integration: Erst Automatisierung reifen lassen, dann Daten strukturieren, dann KI-Piloten starten — typischerweise in 12-18 Monaten.
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.
Was sind die vier Stufen
industrieller
Transformation?
Die Fertigungsindustrie kennt große Transformationswellen. Sie haben immer denselben Rhythmus: Eine neue Technologie verändert die Grundbedingungen, Unternehmen adaptieren, und zehn Jahre später ist das Neue der neue Standard. Wir stecken gerade in der vierten Welle — der Intelligisierung. Wer das Fundament der Stufe 3 noch nicht hat, sollte zuerst Platform Engineering und GitOps als Grundlage etablieren.
- /01Stufe 01
Industrialisierung
Das Fließband. Die Standardisierung. Reproduzierbarkeit.
Industrialisierung — Fließband und Standardisierung als Fundament reproduzierbarer ProzesseDas Fließband, die Dampfmaschine, die Standardisierung von Fertigungsteilen. Der Kerngedanke ist bis heute der wichtigste in der Softwarelieferkette: Reproduzierbarkeit. 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
Fehlt wenn fehltJedes Deployment ist ein Einzelfall. Fehler sind nicht reproduzierbar. Onboarding dauert Wochen.
- /02Stufe 02
Digitalisierung
Daten werden sichtbar, speicherbar, auswertbar.
Digitalisierung — Sichtbarkeit und Rückverfolgbarkeit von Daten in industriellen SystemenDaten werden sichtbar, speicherbar, auswertbar. In der Fabrik: ERP, MES, SCADA. In der Softwarelieferkette: Versionierung, Audit-Trails, digitale Rückverfolgbarkeit von Änderungen. Ohne Digitalisierung ist jede nachgelagerte Automatisierung blind.
BringtSichtbarkeit, Rückverfolgbarkeit, Datenbasis
Fehlt wenn fehltDu weißt nicht, was du hast. Änderungen sind unsichtbar. KI hat keine Daten zum Lernen.
- /03Stufe 03
Automatisierung
Prozesse werden selbstausführend. Aber nur wenn sie digital erfasst sind.
Automatisierung — selbstausführende CI/CD-Pipelines und Infrastructure as CodeCI/CD-Pipelines, Infrastructure as Code, automatisierte Tests, GitOps — das ist unser Kerngeschäft. Prozesse, die digital erfasst sind, werden selbstausführend. Aber Automatisierung ist keine binäre Eigenschaft. Sie ist 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, Freiheit für höherwertige Arbeit
Fehlt wenn fehltManuelle Schritte bremsen, erzeugen Fehler und skalieren nicht. DevOps ist Versprechen, kein Zustand.
- /04Stufe 04
Intelligisierung
Systeme lernen, erkennen Muster, entscheiden kontextabhängig.
Intelligisierung — KI, LLMs und agentische Systeme in industriellen SoftwarelieferkettenKI, LLMs, agentische Systeme, prädiktive Qualitätssicherung. Systeme, die nicht nur Regeln befolgen, sondern lernen, Muster erkennen und kontextabhängig entscheiden. Das ist real. Das funktioniert. Aber Intelligisierung setzt die vorherigen Stufen voraus.
BringtAdaptivität, Prognose, Autonomie
Fehlt wenn fehltDu kannst auf Probleme reagieren, aber nicht vorhersagen. Entscheidungen basieren auf Erfahrung, nicht auf Mustererkennung.
Was bedeutet
KI-Industrialisierung?
KI-Industrialisierung bedeutet, künstliche Intelligenz mit denselben Prinzipien zu betreiben wie eine industrielle Fertigung: versioniert, reproduzierbar, automatisiert getestet und auditierbar. Statt isolierter KI-Piloten entstehen ML-Modelle und KI-Agenten, die über CI/CD-Pipelines ausgerollt, überwacht und zurückgerollt werden können.
Damit ist KI-Industrialisierung die Brücke zwischen Stufe 3 und Stufe 4: Die Disziplin der Automatisierung wird auf die KI selbst angewendet. Erst wenn ein Modell denselben Qualitätsstandards unterliegt wie der Rest der Softwarelieferkette — Versionierung, Tests, Audit-Trails —, lässt sich KI in der Produktion dauerhaft und compliant betreiben, wie es der EU AI Act und IEC 62443 für sicherheitskritische Umgebungen verlangen. Die kompakte Definition der vierten Stufe steht im Glossar unter Intelligisierung.
Was in der
Fertigung
anders ist.
Industrial DevOps ist die Anwendung von DevOps-Prinzipien auf industrielle und cyber-physische Systeme. Es adressiert die spezifischen Anforderungen von Maschinenbau und SPS/PLC, Automotive, Energieversorgung und Fertigungsindustrie.
Der Unterschied zu klassischem DevOps ist nicht graduell — er ist strukturell.
- /01
Die Systeme laufen länger
Nicht drei Jahre, sondern fünfzehn. Ein Update-Zyklus von sechs Monaten ist manchmal schon ambitioniert. Deine Pipeline muss das aushalten.
- /02
Die Fehler kosten mehr
Ein Bug in einem Web-Frontend ist unangenehm. Ein Bug in der Steuerungssoftware einer Produktionslinie steht unter Umständen für eine Haftungsfrage. Shift-Left ist hier wirtschaftliche Notwendigkeit.
- /03
Die Systeme sind heterogen
Legacy-SPS, neue OPC-UA-Stacks, MES-Systeme aus drei verschiedenen Jahrzehnten und irgendwo eine Excel-Datei, die noch niemand anfassen will, weil sie irgendwie alles zusammenhält.
- /04
Compliance ist kein Add-on
IEC 62443, ISO/SAE 21434, branchenspezifische Anforderungen — wer das als nachgelagertes Audit-Problem betrachtet, wird Probleme bekommen. Auditierbarkeit muss in die Pipeline eingebaut sein. Von Anfang an.
Wie wird KI in der
Produktion und
Fertigung eingesetzt?
Laut RealVNC DevOps Trends Report 2026 integrierten 2025 bereits 76 % der DevOps-Teams KI in ihre CI/CD-Pipelines. Gleichzeitig zeigt der TE Connectivity Industrial Technology Index 2026, dass 80 % der deutschen Industrieunternehmen KI zumindest teilweise einsetzen — aber 63 % Legacy-Systeme als Innovationsbremse sehen.
KI in der Produktion und Fertigung wird vor allem für vorausschauende Wartung (Predictive Maintenance), automatisierte Qualitätskontrolle per Computer Vision, intelligente Produktionsplanung und Energiemanagement eingesetzt — direkt auf dem Shopfloor der Fertigungsindustrie. In der Softwarelieferkette kommen prädiktive Qualitätssicherung, Anomalieerkennung in CI/CD-Pipelines und adaptive Testplanung hinzu. Diese sieben Anwendungsfälle haben sich in unseren Projekten als besonders wirkungsvoll erwiesen.
Industrial AI ist der Sammelbegriff für genau diese Anwendungen: künstliche Intelligenz, die auf physische Prozesse wirkt, also auf Maschinen, Linien, Netze und Anlagen. Der Unterschied zu KI in Verwaltung, Vertrieb oder Personalwesen ist kein gradueller. Ein falsch beantwortetes Ticket ärgert jemanden. Ein Modell, das eine Auswurfweiche zu spät auslöst, produziert Ausschuss oder beschädigt die Anlage. Deshalb gelten für industrielle KI härtere Anforderungen an Reaktionszeit, Nachvollziehbarkeit und Ausfallverhalten als für die meisten Cloud-Anwendungen. Im Maschinenbau kommt hinzu, dass das Modell mit der Maschine ausgeliefert wird und dann fünfzehn Jahre lang gepflegt und nachweisbar sein muss.
- /01
Prädiktive Qualitätssicherung
Historische Testläufe, Sensordaten und Code-Metriken speisen ein Modell, das lernt, welche Änderungen typischerweise Probleme machen, bevor sie in der Produktion auftauchen. Im Fertigungsumfeld läuft dasselbe Prinzip unter dem Namen Predictive Quality: Prozessparameter sagen den Ausschuss der nächsten Charge voraus, statt ihn hinterher zu messen.
- /02
Anomalieerkennung in Pipeline und Anlage
Anomalieerkennung heißt, ein Modell auf dem Normalzustand zu trainieren und danach jede Abweichung zu melden, ohne dass die Fehlerbilder vorher bekannt sein müssen. In der Pipeline sind das ungewöhnliche Build-Zeiten, Speicherverbrauch oder Fehlermuster, die kein Schwellwert erwischt. An der Anlage sind es Schwingung, Temperatur und Stromaufnahme, die vom eingelernten Muster abweichen. Beide Fälle brauchen dieselbe Grundlage: eine lückenlose Historie des Normalbetriebs.
- /03
KI-gestützte Code-Reviews
Als erster Filter, der bekannte Muster für Fehlerklassen erkennt, sicherheitsrelevante Stellen markiert und Dokumentation generiert — nicht als Ersatz für menschliches Urteil.
- /04
Adaptive Testplanung
Bereiche mit hoher Änderungsrate, historisch hoher Fehlerquote oder bekannten Abhängigkeiten zu sicherheitskritischen Komponenten priorisieren — klüger testen statt alles testen.
- /05
Predictive Maintenance
Vorausschauende Wartung ist der bekannteste KI-Anwendungsfall in der Fertigung. ML-Modelle erkennen aus Sensor- und Maschinendaten Verschleiß und Anomalien, bevor eine Anlage ausfällt. Im Maschinenbau bekommt meist dieser Fall als erster ein Budget, weil sich eine vermiedene Stillstandsstunde direkt beziffern lässt.
- /06
Automatisierte Qualitätskontrolle
KI-gestützte Kamerasysteme (Computer Vision) prüfen Bauteile in Echtzeit und erkennen Oberflächenfehler, die dem menschlichen Auge entgehen. Das ist das meistgenutzte KI-Feld direkt auf dem Shopfloor. Die Modelle dahinter brauchen dieselbe Versionierung und Testdisziplin wie jede andere Software in der Lieferkette.
- /07
Intelligente Produktionsplanung
ML-Modelle analysieren historische und aktuelle Produktionsdaten, um Durchlaufzeiten, Rüstzeiten und Lagerbestände zu berechnen. Sie reagieren auf Eilaufträge und Materialengpässe, statt starren Planungsregeln zu folgen.
Welche Herausforderungen
hat KI in der
Produktion?
Die drei größten Herausforderungen beim Einsatz von KI in der Produktion sind Datenqualität (unvollständige, unstrukturierte Maschinen- und Prozessdaten), fehlendes Domänenwissen (allgemeine Modelle verstehen die Anlage nicht) und die Integration in bestehende SPS- und IT-Landschaften. Alle drei sind keine KI-Probleme, sondern Automatisierungs- und IT/OT-Konvergenz-Probleme — und genau deshalb gehören sie auf Stufe 3 gelöst, bevor Stufe 4 beginnt.
- /01
Datenqualität
KI-Modelle brauchen saubere, vollständige und strukturierte Daten — aus MES, SPS, Sensorik und der Build-Pipeline. Liegen Maschinendaten in drei Formaten auf vier Systemen, lernt das Modell zuerst das Chaos. Die Praxis-Regel lautet schlicht: Garbage in, Garbage out.
FundamentDatenströme konsolidieren, Formate vereinheitlichen, Historie sichern (mindestens 6 Monate) — das ist Stufe 3, nicht Stufe 4.
- /02
Domänenwissen und Spezialisierung
Allgemeine Sprach- oder Bildmodelle verstehen weder die Physik einer Schweißnaht noch die Eigenheiten einer Anlage aus 2009. KI ersetzt das Prozesswissen der Menschen vor Ort nicht — sie braucht es als Trainings- und Korrekturinstanz.
FundamentModelle 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
Integration in SPS und IT
Die Anbindung an bestehende Maschinensteuerungen (SPS/PLC), OPC-UA-Stacks und die IT-Infrastruktur ist der Teil, der in Pilot-Präsentationen fehlt und in Projekten die meiste Zeit kostet. Ein Modell, das niemand in die Steuerung zurückspielen kann, bleibt ein Dashboard.
FundamentIT/OT-Konvergenz technisch ernst nehmen: versionierter SPS-Code, definierte Schnittstellen, CI/CD bis an die Anlage — genau dort setzt Industrial DevOps an.
Wie versionierter Steuerungscode und eine Pipeline bis an die Anlage konkret aussehen, zeigen unsere Anwendungsfälle Maschinenbau & SPS/PLC und der Glossar-Eintrag zu SPS/PLC.
Drei Muster,
die wir in 47+ Projekten
immer wieder sehen.
Unternehmen entscheiden sich für KI — und merken dann, dass die Voraussetzungen fehlen. Nicht weil sie schlechte Techniker haben. Sondern weil die Anforderungen an Datenverfügbarkeit, Prozessreife und Toolchain-Integration unterschätzt wurden. Falls Sie sich in einem der drei Muster wiedererkennen: An genau diesem Punkt starten die meisten Industrieunternehmen, mit denen wir arbeiten. Wer den Kulturwandel parallel zur Tool-Einführung begleitet, hat höhere Erfolgschancen — wir gehen das im DevOps-Coaching strukturiert an.
- /01
Daten sind da, aber nicht strukturiert
Log-Daten, Testergebnisse, Deployment-Historien existieren. Aber sie liegen in verschiedenen Systemen, mit verschiedenen Formaten, und niemand hat sie jemals als Grundlage für ML-Modelle betrachtet. Ein typischer Moment: 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 potenzielles Trainingsmaterial, unwiederbringlich weg.
AnsatzBevor KI etwas lernen kann, muss jemand aufräumen — Datenströme konsolidieren, Formate vereinheitlichen, eine belastbare Datenbasis schaffen.
- /02
Prozesse sind dokumentiert, aber nicht gelebt
Die CI/CD-Pipeline sieht im Diagramm gut aus. In der Praxis gibt es Ausnahmen, manuelle Eingriffe und Entscheidungen aus Gewohnheit.
AnsatzKI optimiert, was existiert — sie repariert keine Prozesslücken. Erst die Prozesse leben, dann optimieren.
- /03
Der Druck ist zu hoch für Fundament-Arbeit
Wenn das Management KI auf der Roadmap haben will, ist Fundament-Arbeit schwer zu verkaufen. „Wir müssen erst unsere Automatisierung reifen lassen" klingt defensiv.
AnsatzAber es ist die ehrlichste Antwort. Ein schneller Pilot auf wackligem Fundament scheitert — und kostet mehr als die Grundlagenarbeit.
Wo steht
Ihr Unternehmen
heute?
Die KI-Adoptionsquote in deutschen Unternehmen stieg laut der Workday-KI-Studie 2026 von 11 % (2023) auf 40 % (2025). Doch KI-Readiness ist kein Schalter — sie ist ein Reifegrad. Wie Sie ihn methodisch messen, beschreibt unser Leitfaden zum DevOps-Reifegrad messen.
| Stufe | Merkmale | KI-Bereitschaft | 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, digitale Rückverfolgbarkeit. Noch manuelle Deployments. | Fundament gelegt | 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 KI-Use-Case identifizieren |
| 4 — Intelligisiert | KI-gestützte Testplanung, Anomalieerkennung, prädiktive QS, agentische Systeme in der Pipeline. | KI produktiv integriert | Skalieren, weitere Use Cases, Governance aufbauen |
Bin ich bereit
für KI in meiner
Softwarelieferkette?
10 Fragen, die Ihnen zeigen, ob Ihre Organisation die Voraussetzungen für KI-Integration in CI/CD-Pipelines mitbringt.
- /01Sind Ihre Build- und Test-Prozesse in einer CI/CD-Pipeline automatisiert?
- /02Nutzen Sie Git-basierte Versionierung für allen Quellcode (inkl. SPS/PLC)?
- /03Werden Build-Logs, Testergebnisse und Deployment-Historien strukturiert gespeichert?
- /04Haben Sie mindestens 6 Monate historische Pipeline-Daten verfügbar?
- /05Sind Ihre Testsuiten stabil genug, um flaky Tests von echten Fehlern zu unterscheiden?
- /06Gibt es eine einheitliche Monitoring-/Observability-Plattform für IT und OT?
- /07Ist Infrastructure as Code (IaC) für Ihre Umgebungen implementiert?
- /08Haben Sie klare Verantwortlichkeiten für Datenqualität definiert?
- /09Erfüllen Ihre Prozesse bereits Compliance-Anforderungen (IEC 62443, ISO 26262)?
- /10Gibt es Management-Support und Budget für einen KI-Piloten (3-6 Monate)?
8–10 Ja-Antworten → Sie sind bereit für KI-Piloten. 5–7 → Fokussieren Sie zuerst auf die fehlenden Grundlagen. Unter 5 → Investieren Sie in Automatisierung und Datenstruktur, bevor Sie KI-Projekte starten. Der typische Zeitrahmen für den Aufbau der Basis: 6–12 Monate.
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 Randbedingungen: Das Modell läuft nicht in einer Cloud-Region, sondern auf einem Edge-Gerät neben der Anlage, es hängt an Sensor- und Steuerungsdaten aus dem OT-Netz, und sein Rollout muss dieselbe Freigabekette durchlaufen wie jede andere Änderung an der Maschine.
Der Unterschied 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 sind das, was wir in Projekten tatsächlich aufsetzen, bevor ein Modell in die Linie darf. Sie sind die Brücke zwischen Stufe 3 und Stufe 4.
- /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
Latenz, fehlende Netzverbindung und die Zykluszeit der Steuerung entscheiden darüber, ob ein Modell neben der Anlage überhaupt laufen kann. 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 lösbar ist. Wie der Weg dorthin aussieht, steht in unserer Leistungsseite zur DevOps-Automatisierung und im Leitfaden Industrial DevOps, der die Grundlagen der Disziplin von vorne aufrollt.
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 Anomalie-Erkennung, 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 kein Vokabelproblem. Wer MLOps kauft, wo er AIOps braucht, überwacht am Ende Modelle statt Anlagen. Die Definitionen stehen im Glossar unter AIOps; 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-Operations-Monitoring, Incident Management | Gesamte Softwarelieferkette (Build, Test, Deploy, Monitor) |
| Scope | Modelle und die Datenpipelines, die sie speisen | Primär IT-Infrastruktur | IT + OT (SPS, SCADA, Edge, Embedded) |
| KI-Einsatz | Das Modell ist das Produkt, nicht das Werkzeug | Anomalie-Erkennung, Alert-Korrelation, Root-Cause-Analyse | Prädiktive QS, adaptive Tests, Self-Healing Pipelines, KI-Agenten |
| Compliance | EU AI Act, ISO/IEC 42001, BSI-Prüfkatalog A5 | SOC2, 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 (Produktionsanlagen, Embedded) |
| Zielgruppe | Data Scientists, ML-Engineers, Plattform-Teams | IT-Operations-Teams, SRE | DevOps-Engineers, SPS-Entwickler, Produktionstechnik |
Was bedeutet der EU AI Act
für KI in der
Fertigung?
Der EU AI Act ist seit 2024 in Kraft und wird ab 2026 schrittweise durchgesetzt. Für Industrieunternehmen, die KI in ihre Softwarelieferketten integrieren, hat das konkrete Konsequenzen — Zeitleiste, Betroffenheit und Pflichten-Katalog haben wir in unserem Leitfaden zur EU-AI-Act-Umsetzung in der Industrie aufgeschlüsselt.
- /01
Risikoklassifizierung beachten
KI-Systeme in sicherheitskritischen Umgebungen (Maschinenbau, Automotive, Energieversorgung) fallen häufig in die Kategorie „Hochrisiko". Das bedeutet: verpflichtende Risikobewertung, technische Dokumentation, menschliche Aufsicht und Konformitätsbewertung.
- /02
Transparenz- und Dokumentationspflichten
Für KI in CI/CD-Pipelines: Entscheidungswege müssen nachvollziehbar sein. Wenn ein KI-Agent ein Deployment freigibt oder einen Test priorisiert, muss dokumentiert sein, auf welcher Basis diese Entscheidung getroffen wurde. Die Auditor-Frage 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
Der EU AI Act verlangt Audit-Trails für Hochrisiko-KI-Systeme. DevOps-Teams müssen KI-Entscheidungen in ihren Pipelines loggen, versionieren und reproduzierbar machen — ein natürlicher Fit für GitOps-basierte Workflows. Wogegen geprüft wird, ist seit Juli 2026 konkreter: Der BSI-Prüfkatalog A5 liefert erstmals einen deutschen Prüfmaßstab für vertrauenswürdige KI — maschinenlesbar im OSCAL-Format, also direkt in Compliance-Toolchains integrierbar.
Wer bereits DevSecOps-Praktiken nach IEC 62443 implementiert hat — Shift-Left Security, Policy-as-Code, automatisierte Compliance-Checks — hat einen großen Teil der EU-AI-Act-Anforderungen bereits abgedeckt. Die Erweiterung auf KI-spezifische Audit-Trails und Risikobewertungen ist ein natürlicher nächster Schritt. Und der bekommt gerade einen offiziellen Maßstab: Am 7. Juli 2026 hat das BSI den Community Draft seines KI-Prüfkatalogs A5 (AI Audit and Assurance Assessment Architecture) veröffentlicht — methodisch an C5 und ISAE 3000 angelehnt, mit Kriterien im maschinenlesbaren OSCAL-Format. Genau das Format, das Policy-as-Code-Toolchains verarbeiten. Kommentierbar ist der Entwurf bis zum 31. August 2026; Module, Methodik und Handlungsempfehlungen stehen in unserer Analyse zu BSI A5, dem Prüfkatalog für vertrauenswürdige KI.
Was ist Agentic AI
in der Produktion?
Agentic AI ist die am schnellsten wachsende Spielart der Intelligisierung — und der nächste Schritt nach prädiktiver Qualitätssicherung. Wo eine solide DevOps-Automatisierung (Terraform & Kubernetes) steht, werden agentische Systeme produktiv nutzbar.
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 autonome Testplanung, Self-Healing-Deployments und kontextabhängige Pipeline-Steuerung — stets unter menschlicher Aufsicht, wie sie der EU AI Act für sicherheitskritische Umgebungen vorschreibt.
- /01
Agentische Pipeline-Steuerung
Statt starrer Regelketten plant ein KI-Agent den nächsten Schritt kontextabhängig: Welche Tests sind relevant, welches Deployment-Fenster ist sicher, welcher Rollback ist nötig — nachvollziehbar protokolliert für den EU-AI-Act-Nachweis.
- /02
Autonome Tests & Self-Healing
Agentische Systeme erzeugen und priorisieren Testfälle selbst, erkennen instabile Umgebungen und reparieren typische Fehlerzustände (Flaky Tests, hängende Deployments) eigenständig — bevor ein Mensch eingreifen muss.
- /03
KI-Assistenz im Entwickler-Workflow
Vom Code-Review über Commit-Messages bis zur Dokumentation: Agentische Assistenz beschleunigt Routinearbeit in der Softwarelieferkette — als Verstärker für Teams, nicht als Ersatz für fachliche Verantwortung.
Automatisierung
vor KI. Der
Comquent-Ansatz.
Wir arbeiten bei Comquent nicht mit dem Anspruch, Unternehmen auf den neuesten Hype zu bringen. Wir arbeiten mit dem Anspruch, die nächste sinnvolle Stufe zu finden — und sie so zu implementieren, dass sie hält. Unser Leistungsangebot zu Industrial DevOps zeigt, wie wir das konkret angehen.
Das bedeutet manchmal: Wir empfehlen zuerst eine saubere Automatisierung, bevor wir über KI sprechen. Nicht weil wir KI nicht ernst nehmen — sondern weil wir sie ernst nehmen.
Wenn die Basis steht, gehen wir den nächsten Schritt konsequent. Prädiktive QS, KI-gestützte Pipelines, agentische Assistenz in Entwicklungsworkflows sind keine abstrakten Konzepte, sondern aktive Projektarbeit. Mit IndustrialFlow hat Comquent eine neue CI/CD-Plattform für die Industrie entwickelt. Der interaktive UI-Prototyp ist öffentlich zugänglich.
Ohne Automatisierung keine Intelligisierung — die Reihenfolge ist nicht optional.
Industrialisierung → Digitalisierung → Automatisierung → Intelligisierung. Das ist keine historische Abfolge aus dem Lehrbuch. Das ist die Reihenfolge, in der Kompetenz aufgebaut werden muss. Wer sie überspringt, baut auf Sand.
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 Automatisierung zu Intelligisierung. Mit der Comquent Academy bieten wir spezialisierte Trainings zu CI/CD, Jenkins-Automatisierung, DevSecOps nach IEC 62443 und KI-gestützten DevOps-Prozessen für die Industrie 4.0 an.
90 Minuten.
Reifegrad gemessen.
Kostenloser DevOps-Quick-Scan: Wir analysieren in 90 Minuten Ihre aktuelle Lage, identifizieren die drei größten Hebel und dokumentieren das Ergebnis als PDF. Für Unternehmen ab 50 Mitarbeitern. Sie gehen keine Verpflichtung ein — das dokumentierte Ergebnis gehört Ihnen, was Sie damit machen, entscheiden Sie.
Ergebnis-PDF inklusive
Was Kunden
wirklich fragen.
- Q.01
- 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 Adaptivität, Prognose und Autonomie). Jede Stufe baut auf der vorherigen auf — Abkürzungen funktionieren nicht.
- Q.02
- 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 adaptiv: KI-Modelle und agentische Systeme lernen aus den Daten der Pipeline, erkennen Anomalien, priorisieren Tests und treffen kontextabhängige Entscheidungen. Die Automatisierung ist damit die Voraussetzung — ohne ihre strukturierten, reproduzierbaren Daten hat Intelligisierung nichts, woraus sie lernen könnte.
- Q.03
- Warum funktioniert KI ohne solide Automatisierung nicht?
- KI benötigt strukturierte Daten und reproduzierbare Prozesse als Grundlage. Ohne saubere Automatisierung fehlt die Datenbasis für Machine Learning. KI auf einer unautomatisierten Pipeline erzeugt kein Signal, sondern Rauschen. KI ohne Daten ist eine Hypothese. KI ohne reproduzierbare Prozesse ist Folklore.
- Q.04
- Was unterscheidet Industrial DevOps von klassischem DevOps?
- Industrial DevOps adressiert spezifische Herausforderungen: längere Systemlebenszyklen (15+ statt 3 Jahre), höhere Fehlerkosten (Haftungsfragen bei Produktionssoftware), heterogene Systemlandschaften (Legacy-SPS, OPC-UA, MES aus drei Jahrzehnten) und strikte Compliance-Anforderungen (IEC 62443, ISO 26262).
- Q.05
- Wie hilft KI konkret in der Softwarelieferkette?
- KI unterstützt bei prädiktiver Qualitätssicherung (Probleme erkennen bevor sie in der Produktion auftauchen), Anomalieerkennung in Pipelines (ungewöhnliche Build-Zeiten, Speicherverbrauch), KI-gestützten Code-Reviews (Fehlerklassen und Sicherheitslücken markieren) und adaptiver Testplanung (klüger priorisieren statt alles testen).
- Q.06
- Welche Beispiele gibt es für KI in der Industrie?
- Typische Beispiele für KI in der Industrie sind: vorausschauende Wartung (Predictive Maintenance) auf Basis von Sensordaten, automatisierte Qualitätskontrolle per Computer Vision, prädiktive Qualitätssicherung in CI/CD-Pipelines, Anomalieerkennung in Build- und Deployment-Prozessen, KI-gestützte Code-Reviews sowie agentische Systeme (Agentic AI) für adaptive Testplanung und Self-Healing-Deployments.
- Q.07
- Wo wird KI in der Produktion eingesetzt?
- KI wird in der Produktion vor allem für vorausschauende Wartung (Predictive Maintenance), automatisierte Qualitätskontrolle per Computer Vision, intelligente Produktionsplanung (Durchlauf- und Rüstzeiten) sowie Energie- und Ressourcenmanagement eingesetzt. In der Softwarelieferkette kommen prädiktive Qualitätssicherung, Anomalieerkennung in CI/CD-Pipelines und adaptive Testplanung hinzu. Voraussetzung ist in allen Fällen eine strukturierte Datenbasis aus automatisierten, reproduzierbaren Prozessen.
- Q.08
- Wie wird KI in der Industrie eingesetzt?
- KI wird in der Industrie für vorausschauende Wartung, Qualitätskontrolle per Computer Vision, automatisierte Produktionsprozesse und Datenanalyse eingesetzt, um Ausfälle zu minimieren und die Produktivität zu erhöhen. Weniger sichtbar, aber ebenso wirksam ist der Einsatz in der Softwarelieferkette dahinter: Anomalieerkennung in CI/CD-Pipelines, adaptive Testplanung und KI-gestützte Code-Reviews. Beide Ebenen setzen dieselbe Voraussetzung: automatisierte, reproduzierbare Prozesse, die überhaupt erst verwertbare Daten erzeugen.
- Q.09
- Wie kann KI in der Produktionsplanung eingesetzt werden?
- KI kann in der Produktionsplanung eingesetzt werden, um aus historischen und aktuellen Auftrags-, Maschinen- und Lagerdaten Durchlaufzeiten, Rüstreihenfolgen und Materialbedarf vorherzusagen und den Fertigungsplan bei Eilaufträgen, Materialengpässen oder Maschinenausfällen automatisch neu zu berechnen. Statt starrer Planungsregeln entstehen dynamische Pläne, die auf Nachfrageschwankungen reagieren. Voraussetzung sind konsolidierte Daten aus MES, ERP und Maschinensteuerung — und eine Pipeline, die Planungsmodelle versioniert und nachvollziehbar ausrollt.
- Q.10
- Welche Herausforderungen gibt es beim Einsatz von KI in der Produktion?
- Die drei größten Herausforderungen sind Datenqualität (unvollständige, unstrukturierte Maschinen- und Prozessdaten — „Garbage in, Garbage out"), fehlendes Domänenwissen (allgemeine Sprach- und Bildmodelle verstehen die konkrete Anlage nicht und brauchen das Prozesswissen der Menschen vor Ort) und die Integration in bestehende SPS- und IT-Landschaften. Alle drei lösen sich auf der Automatisierungsstufe — mit konsolidierten Datenströmen, versioniertem Steuerungscode und CI/CD bis an die Anlage — nicht erst im KI-Projekt.
- Q.11
- Wie verändert KI die Industrie?
- KI verschiebt die Industrie von reaktiven zu vorausschauenden Prozessen: Maschinen melden Verschleiß, bevor sie ausfallen, Kamerasysteme prüfen Qualität in Echtzeit und Planungssysteme optimieren Durchlaufzeiten datenbasiert. Der eigentliche Hebel ist nicht die KI selbst, sondern die Datenbasis aus automatisierten Prozessen — ohne dieses Fundament bleibt KI ein Pilot ohne Produktivbetrieb.
- Q.12
- 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 Aufgaben wie autonome Testplanung, Self-Healing-Deployments und kontextabhängige Pipeline-Steuerung — stets unter menschlicher Aufsicht, wie sie der EU AI Act für sicherheitskritische Umgebungen vorschreibt.
- Q.13
- Wie finde ich heraus, auf welcher Stufe mein Unternehmen steht?
- Comquent bietet eine kostenlose DevOps-Reifegradanalyse an. In 90 Minuten analysieren wir gemeinsam Ihre aktuelle Lage und identifizieren die nächste sinnvolle Stufe. Alternativ gibt unser Online-Reifegrad-Schnellcheck in 3 Minuten eine erste Einschätzung.
- Q.14
- 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 adaptiv, prognosefähig und teilautonom zu gestalten. In der Softwarelieferkette bedeutet das: prädiktive Qualitätssicherung, intelligente Testplanung und Anomalieerkennung in CI/CD-Pipelines.
- Q.15
- Was bedeutet KI-Industrialisierung?
- KI-Industrialisierung bedeutet, künstliche Intelligenz mit denselben Prinzipien zu betreiben wie eine industrielle Fertigung: versioniert, reproduzierbar, automatisiert getestet und auditierbar. Statt isolierter KI-Piloten entstehen ML-Modelle und KI-Agenten, die über CI/CD-Pipelines ausgerollt, überwacht und zurückgerollt werden können — die Voraussetzung für dauerhaften, EU-AI-Act-konformen KI-Betrieb in der Produktion.
- Q.16
- 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 in 3-6 Monaten starten. Ohne diese Basis muss zuerst die Automatisierungsstufe reifen — das dauert typischerweise 6-12 Monate. Ein realistischer Gesamtzeitraum bis zur produktiven KI-Integration sind 12-18 Monate.
- Q.17
- 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.18
- Was ist Industrial MLOps und was unterscheidet es von MLOps in der Cloud?
- Industrial MLOps ist MLOps unter industriellen Randbedingungen. Drei Unterschiede prägen die Praxis: Das Modell läuft meist auf einem Edge-Gerät neben der Anlage statt in einer Cloud-Region, es verarbeitet Sensor- und Steuerungsdaten aus dem OT-Netz 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.19
- 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 sich ein Modell verschlechtert, ohne dass sich sein Code ändert, weil die Realität sich ändert. Deshalb reicht Versionierung des Codes allein nicht aus.
- Q.20
- 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.21
- 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, automatisierte Qualitätskontrolle per Computer Vision, Anomalieerkennung an Maschinendaten und intelligente Produktionsplanung. Der Unterschied zu KI in Verwaltung oder Vertrieb liegt in den Anforderungen: Reaktionszeit im Millisekundenbereich, nachvollziehbare Entscheidungen und definiertes Verhalten im Fehlerfall, weil ein falsches Ergebnis Ausschuss, Stillstand oder eine Sicherheitsfrage bedeutet.
- Q.22
- Was ist der Unterschied zwischen AIOps und Industrial DevOps mit KI?
- AIOps fokussiert auf KI-gestütztes IT-Operations-Monitoring und Incident Management. Industrial DevOps mit KI geht weiter: Es integriert KI in die gesamte Softwarelieferkette — von prädiktiver Qualitätssicherung über intelligente Testplanung bis zu Anomalieerkennung in CI/CD-Pipelines — spezifisch für industrielle Umgebungen mit langen Lebenszyklen, Compliance-Anforderungen (IEC 62443, ISO 26262) und IT/OT-Konvergenz.
- Q.23
- Was bedeutet der EU AI Act für Industrial DevOps?
- Der EU AI Act klassifiziert KI-Systeme in sicherheitskritischen Umgebungen häufig als „Hochrisiko". Für Industrieunternehmen bedeutet das: verpflichtende Risikobewertung, Dokumentation von KI-Entscheidungen in der Pipeline, Audit-Trails und menschliche Aufsicht. DevSecOps-Praktiken wie Policy-as-Code und GitOps-basierte Workflows erleichtern die Compliance. Seit dem 7. Juli 2026 liefert der BSI-Prüfkatalog A5 (Community Draft) erstmals einen deutschen Prüfmaßstab für vertrauenswürdige KI — mit Kriterien im maschinenlesbaren OSCAL-Format für die Pipeline-Integration.
- Q.24
- Wie prüfe ich, ob mein Unternehmen bereit für KI in der Pipeline ist?
- Prüfen Sie 10 Voraussetzungen: automatisierte CI/CD-Pipelines, Git-basierte Versionierung, strukturierte Build-/Testdaten mit mindestens 6 Monaten Historie, stabile Testsuiten, einheitliches IT/OT-Monitoring, IaC-Implementierung, definierte Datenqualitäts-Verantwortlichkeiten, Compliance-Readiness und Management-Support für einen 3-6 Monate KI-Piloten. Ab 8 von 10 Ja-Antworten sind Sie bereit.
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.
DevOps-Kultur in der Industrie
Der Kulturwandel ist die schwierigste Seite von DevOps — besonders dort, wo IT und OT aufeinandertreffen.
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