Wie hilft KI bei der SPS-Programmierung?
Künstliche Intelligenz unterstützt die SPS-Programmierung, indem KI-Assistenten Strukturierten Text (ST/SCL), Funktionsbausteine und TIA-Portal-Logik aus natürlichsprachigen Beschreibungen generieren, bestehenden Code erklären und Fehler in Steuerungsprogrammen aufspüren. Im TIA Portal übernehmen das der Siemens Industrial Copilot und seit April 2026 der Eigen Engineering Agent, bei Beckhoff der TwinCAT Chat, herstellerneutral auch allgemeine Modelle wie Claude oder GPT auf dem exportierten Code. Damit KI-generierter SPS-Code nachvollziehbar und auditierbar bleibt, gehört er über das Version Control Interface in Git, als Single Source of Truth für die IT/OT-Brücke.
Auch bekannt als: KI-Assistent für SPS · TIA Portal KI-Assistent · TIA Portal KI · KI für SPS-Code
Ist KI in der SPS-Programmierung 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.
Ein KI-Assistent kommt auf zwei Wegen an SPS-Code heran. Entweder sitzt er im Engineering-Werkzeug selbst und sieht das geöffnete Projekt mit seinen Variablen, Datentypen und Bausteinen. Oder er arbeitet außerhalb auf Textdateien, die das Werkzeug exportiert hat. Beim TIA Portal ist das der Export über das Version Control Interface (VCI), der Bausteine als Text in ein Verzeichnis schreibt, das Git verwaltet. Aus diesen zwei Wegen ist ein zweigeteilter Markt geworden. Auf der einen Seite stehen die Assistenten der Hersteller, bei Siemens der Industrial Copilot und seit April 2026 der Eigen Engineering Agent, bei Beckhoff der TwinCAT Chat in der Entwicklungsumgebung XAE. Auf der anderen Seite arbeiten Teams mit Claude Code oder GitHub Copilot auf dem exportierten Code, ohne zusätzliche Lizenz beim Steuerungshersteller. Damit diese allgemeinen Modelle trotzdem Variablennamen und Datentypen des laufenden Projekts kennen, bindet man sie über einen MCP-Server oder die Openness-API an das TIA Portal an. Openness ist die Programmierschnittstelle, über die Skripte das TIA Portal fernsteuern.
Innerhalb des TIA Portal gibt es zwei Werkzeuge mit demselben Herstellerlogo, und sie gehen unterschiedlich weit. Der Industrial Copilot schlägt vor. Sie beschreiben einen Baustein, er liefert SCL, und Sie übernehmen oder verwerfen den Vorschlag. Der Eigen Engineering Agent, den Siemens im April 2026 auf der Hannover Messe vorgestellt hat, arbeitet eine Aufgabe eigenständig ab. Er schreibt SPS-Code, legt WinCC-Unified-Bilder an, konfiguriert Geräte und ergänzt die Projektdokumentation. Bezogen wird er als Abonnement über den Siemens Digital Exchange, einen Monat lang kostenlos zum Ausprobieren. Im Alltag sehen wir den Unterschied weniger an der Codequalität als am Prüfaufwand. Einen Vorschlag hat man in zwei Minuten gelesen, eine fertig konfigurierte Station nicht.
Egal welches Werkzeug den Code schreibt, auf die Maschine kommt er erst nach einer Freigabe. Der Assistent liefert einen Vorschlag, ein Mensch reviewt ihn, und nur der freigegebene Stand geht auf die reale Anlage. Dorthin führen kontrollierte Wege wie das Wartungsfenster, ein OT-Proxy-Agent und vorher der Hardware-in-the-Loop-Test. Ein Review setzt voraus, dass KI-generierter SPS-Code denselben Weg nimmt wie jeder andere Code, also über den VCI-Export als Text in Git. Erst die Git-Historie zeigt, welche Zeilen die KI geändert hat und wer sie freigegeben hat.
Die meisten Steuerungstechniker, die wir kennenlernen, kommen über die KI zu Git und nicht umgekehrt. Das ist ein guter Weg, solange Git am Ende wirklich unter der KI liegt. Ohne Versionierung läuft an der Anlage ein Baustein, bei dem im Störfall niemand sagen kann, welcher Prompt ihn erzeugt und wer ihn freigegeben hat. Dann steht die Haftungsfrage im Raum, und die Antwort liegt in keinem Ordner. Mit Versionierung ist derselbe Baustein ein Artefakt, das sich reviewen, reproduzieren und für IEC 62443 oder die Maschinenrichtlinie nachweisen lässt. Die typischen Stolpersteine sind drei. Teams übernehmen Vorschläge ohne Test, sie arbeiten weiter direkt im Binärprojekt statt über den VCI-Export, und sie erwarten, dass die KI den physischen Prozess versteht. Das tut sie nicht. Sie schreibt schneller, aber welche Klappe zuerst schließen muss, weiß weiterhin der Mensch an der Anlage.
Förderband-Baustein aus einer Beschreibung in Worten
Ein Steuerungstechniker braucht einen neuen Baustein für ein Förderband und beschreibt ihn dem Assistenten in Worten, mit Ein- und Ausgängen, Datentypen und Grenzwerten. Zurück kommt ein SCL-Baustein als Entwurf. Er liest die Annahmen gegen, korrigiert die Anlaufverzögerung, kompiliert und legt den Stand über das VCI in Git ab. Das Denken nimmt ihm der Entwurf nicht ab, die leere Datei schon.
Agent-Lauf für eine ganze Station im eigenen Branch
Ein Team lässt den Eigen Engineering Agent eine ganze Teilaufgabe abarbeiten, also SPS-Logik, die zugehörigen WinCC-Unified-Bilder und die Projektdokumentation. Weil jetzt ein fertiges Ergebnis statt eines Codeschnipsels zu prüfen ist, läuft der Agent in einem eigenen Branch. Das Team liest den Diff im Merge-Request, bevor etwas in den Hauptstand wandert.
KI-Kommentar am Merge-Request für jeden SPS-Commit
Reviews von SPS-Code hingen bisher an einem Kollegen, der selten Zeit hatte. Jetzt lässt die CI-Pipeline bei jedem Commit einen KI-Assistenten den exportierten Code auf Namenskonventionen, tote Logik und bekannte Antimuster prüfen und hängt die Befunde als Kommentar an den Merge-Request. Der Kollege liest nur noch die markierten Stellen. Die Entscheidung über den Merge trifft weiter er.
Welches KI-Tool passt zu Ihrer Steuerung?
Fünf KI-Assistenten buhlen um die SPS-Programmierung, und welcher zu Ihnen passt, hängt vor allem an Ihrer Steuerung. Zwei Klicks, und Sie sehen das Tool, das in Ihrer Umgebung am schnellsten trägt.
Mit welcher Steuerung arbeiten Sie überwiegend?
- Gibt es einen KI-Assistenten im TIA Portal?
- Ja, inzwischen sogar zwei von Siemens selbst. Der Siemens Industrial Copilot erzeugt seit 2024 Strukturierten Text aus natürlichsprachigen Anforderungen, erklärt Bestandscode und hilft bei der Fehlersuche. Im April 2026 kam der Eigen Engineering Agent dazu, der Aufgaben eigenständig ausführt, statt sie nur vorzuschlagen. Daneben arbeiten viele Teams unabhängig vom Hersteller. Sie exportieren den SPS-Code über das VCI und lassen allgemeine Assistenten wie Claude Code auf dem versionierten Stand arbeiten, sodass der Review in Git stattfindet.
- Was ist der Eigen Engineering Agent von Siemens?
- Der Eigen Engineering Agent ist der generative KI-Assistent, den Siemens im April 2026 für das TIA Portal auf den Markt gebracht hat. Er erzeugt SCL- und KOP-Code, legt WinCC-Unified-Visualisierungen samt JavaScript an, konfiguriert Geräte und schreibt die Projektdokumentation. Vom Siemens Industrial Copilot unterscheidet er sich in der Arbeitsweise. Der Copilot liefert Vorschläge, die ein Mensch übernimmt. Der Agent arbeitet eine Aufgabe eigenständig ab und prüft das Ergebnis gegen die vorgegebenen Ziele. Bezogen wird er als Abonnement über den Siemens Digital Exchange, mit einem kostenlosen Testmonat.
- Welche KI-Werkzeuge eignen sich für die SPS-Programmierung?
- Herstellernah sind es der Siemens Industrial Copilot und der Eigen Engineering Agent im TIA Portal, der TwinCAT Chat in der Beckhoff-Entwicklungsumgebung XAE und der FactoryTalk-Copilot bei Rockwell. Herstellerneutral arbeiten Teams mit Claude Code, GitHub Copilot oder Chat-Modellen auf dem exportierten Projekt und binden sie bei Bedarf über einen MCP-Server oder die Openness-API an das TIA Portal an. Wichtiger als das einzelne Werkzeug ist, womit es arbeitet. Liegt der Code über den VCI-Export in Git, bleibt jeder Vorschlag als Diff prüfbar.
- Was kostet ein KI-Assistent für das TIA Portal?
- Die Siemens-Assistenten laufen als Abonnement über den Siemens Digital Exchange, den Eigen Engineering Agent können Sie einen Monat lang kostenlos testen. Allgemeine Assistenten wie Claude Code oder GitHub Copilot werden pro Nutzer und Monat lizenziert und kosten einen Bruchteil davon. Dafür kennen sie den Projektkontext nur, wenn Sie sie über MCP oder Openness anbinden. Der größere Posten ist selten die Lizenz. Mehr Aufwand steckt im Sicherheitsnetz darum herum, also Versionierung, automatisiertem Build und einem Test gegen PLCSim, bevor ein generierter Baustein auf die Anlage kommt.
- Kann KI eine SPS vollständig selbst programmieren?
- Nein, und das ist in der OT-Welt auch nicht das Ziel. KI schreibt Code-Vorschläge, erklärt Bestandslogik und findet Fehler. Die Verantwortung für eine Steuerung, die physische Prozesse und Menschen beeinflusst, bleibt beim Menschen, der den Stand freigibt. Dazu gehört weiterhin der Test auf realer oder simulierter Hardware, bevor der Baustein an die Anlage geht.
- Welche Aufgaben übernimmt KI in der SPS-Programmierung heute zuverlässig?
- Zuverlässig klappen heute drei Dinge. KI erzeugt Strukturierten Text und Funktionsbausteine aus präzisen Anforderungen, erklärt gewachsene Kontaktplan- und ST-Logik und prüft Code auf Namenskonventionen, tote Logik und bekannte Antimuster. Nicht verlässlich sind das Verständnis des physischen Prozesses und Safety-Logik. Beides bleibt beim Menschen und beim Test an simulierter oder realer Hardware.
Wo steht Ihr Team bei KI in der SPS-Programmierung?
Uns interessiert, wo Ihr Team bei diesem Thema steht. Auf Basis Ihrer Antwort schlagen wir Ihnen den sinnvollsten nächsten Schritt vor — ganz ohne Formular.
Weiterführende Primärquellen zu KI in der SPS-Programmierung: Normtexte, Hersteller- und Projektdokumentation. Alle Ziele öffnen in einem neuen Tab.
- /01SiemensKünstliche Intelligenz in der Industrie(externe Seite, öffnet in neuem Tab)
Herstellersicht auf KI-Assistenz im Engineering, unter anderem im Industrial Copilot.
- /02BeckhoffTwinCAT 3 Machine Learning(externe Seite, öffnet in neuem Tab)
Trainierte Modelle direkt in der Echtzeitsteuerung ausführen, mit Inference Engine.
- /03PLCopenPLCopen(externe Seite, öffnet in neuem Tab)
Herstellerübergreifende Standardisierung, ohne die generierter Steuerungscode nicht portabel wird.
Erstgespräch.
Kostenlos.
90 Tage zum Ergebnis.
Wir klären gemeinsam, wie Sie in 90 Tagen die ersten messbaren Industrial-DevOps-Erfolge erzielen.
Industrie · Automotive · Finance