Chatbots wie ChatGPT machen das Prinzip agentischer KI bereits sichtbar: Eine Anfrage wird in mehrere Schritte zerlegt, etwa in Recherche, Auswertung und Zusammenfassung. Im Hintergrund wählt das System dafür geeignete Werkzeuge aus und verknüpft deren Ergebnisse. Genau darin liegt der wesentliche Unterschied zu klassischer generativer KI: Agentische Systeme bearbeiten nicht nur einzelne Anfragen, sondern planen mehrstufige Lösungswege und passen diese während der Bearbeitung an. In der Softwareentwicklung, im Kundenservice oder im Wissensmanagement kommt dieses Prinzip bereits zum Einsatz. Coding-Agenten beispielsweise analysieren Anforderungen, erzeugen Code, führen Tests durch und korrigieren Fehler iterativ. Interessant wird dieser Ansatz nun auch für die industrielle Produktion.
Agentische KI
Agentische KI / Agentic AI bezeichnet KI-Systeme, die komplexe, mehrstufige Aufgaben weitgehend selbstständig bearbeiten. Sie zerlegen eine Aufgabenstellung in einzelne Schritte, wählen dafür geeignete Werkzeuge oder spezialisierte Agenten aus, bewerten Zwischenergebnisse und passen den weiteren Lösungsweg entsprechend an. Im Unterschied zu klassischen Chatbots sind sie damit nicht auf eine Abfolge einzelner menschlicher Prompts angewiesen.
Orcha-3: Transfer in die industrielle Produktion
Die am Fraunhofer IWU entwickelte Plattform Orcha-3 überträgt diesen Ansatz auf die Produktionstechnik. Sie adressiert offene Fragestellungen entlang einer Prozesskette, die sich nur durch mehrere aufeinander aufbauende Analyseschritte beantworten lassen. Welcher Schritt als Nächstes sinnvoll ist, entscheidet sich dabei anhand des vorherigen Ergebnisses.
Ein Beispiel: In einer Prozesskette aus Umform- und Fügeoperationen treten am Ende Maßabweichungen auf, deren Ursache zunächst unklar ist. Orcha-3 zerlegt die Fragestellung selbstständig in einzelne Arbeitsschritte. Die Plattform kann Prozessdaten aus dem Maschinen- und Anlagenumfeld abrufen, Zeitreihen mehrerer Stationen zusammenführen, Korrelationen berechnen, Parametervariationen simulieren und Zwischenergebnisse bewerten. Nach jedem Schritt wird neu entschieden, wie weiter vorzugehen ist. Ausgeführt werden die einzelnen Arbeitsschritte von spezialisierten Agenten mit jeweils klar definierter Aufgabe.
Entscheidend für den Einsatz in der Fertigung ist die Trennung zwischen Planung und Ausführung: Das Sprachmodell plant die nächsten Schritte, greift jedoch nicht selbst auf Produktionssysteme zu. Datenbankabfragen, Berechnungen und Simulationen laufen lokal in spezialisierten Agenten. Rohdaten verlassen das Unternehmensnetz nicht. An das Sprachmodell wird lediglich eine kuratierte und protokollierte Sicht auf die jeweilige Planungssituation übermittelt. Damit bleibt nachvollziehbar, auf welcher Informationsbasis das Modell seine Planung vorgenommen hat. Gerade in der Produktion ist dieser Aspekt relevant. Prozess-Knowhow, das beispielsweise in Fertigungsparametern steckt, gehört häufig zum Wettbewerbsvorteil eines Unternehmens. Orcha-3 ist deshalb so ausgelegt, dass sich leistungsfähige Sprachmodelle nutzen lassen, ohne dieses Wissen nach außen geben zu müssen.
Auch die Ausführung wird regelbasiert orchestriert und lückenlos protokolliert. Arbeitsschritte, Zwischenergebnisse und Entscheidungen bleiben gespeichert und können später rekonstruiert werden. Gerade wenn Empfehlungen in die Serienfertigung einfließen, ist diese Nachvollziehbarkeit eine wesentliche Voraussetzung. Reicht der vorhandene Werkzeugkasten für eine Fragestellung nicht aus, kann Orcha-3 zudem fehlende Auswertungsschritte in Form kleiner Programme ausführen.
Die Plattform ist derzeit als Forschungs- und Erprobungsumgebung angelegt. Mittelfristiges Ziel ist die Ausweitung von der einzelnen Prozesskette auf das Produktionssystem, bis hin zu Fragen des Maschinen- und Personaleinsatzes, des Flächenbedarfs und des Logistikkonzepts, die heute nur durch aufwendige manuelle Analysen zu beantworten sind.
Mit synthetischen Daten starten
Eine komplexe Produktion zu planen oder zu optimieren, erfordert eine solide Datenbasis. Das Henne-Ei-Dilemma zum Start lässt sich elegant lösen – mittels eigens erzeugter synthetisierter Daten, die auf virtuellen Prozessketten beruhen und dabei beispielsweise reale Prozesse wie einzelne Umformschritte nachbilden. Auf dieser virtuellen Prozesskette kann die KI nun ansetzen und Verbesserungspotenziale aufzeigen. Problem- und Aufgabestellung werden dadurch nahezu beliebig variierbar.
Wenn eine Auswertung nicht mehr reicht
Gerade in mehrstufigen Fertigungsprozessen entstehen Fragestellungen, deren Klärung einen hohen manuellen Analyseaufwand verursachen würde. Typische Beispiele sind:
- Am Ende einer Prozesskette liegen Teile außerhalb der Toleranz, obwohl jede einzelne Station ‚in Ordnung‘ meldet. Wo entsteht die Abweichung?
- Nach einem Wechsel des Werkstofflieferanten läuft der Prozess trotz vergleichbarer Materialdaten nicht mehr stabil. Welche Parameter müssen angepasst werden?
- Die Ausschussrate unterscheidet sich zwischen den Schichten. Welche Prozessdaten stützen oder widerlegen die vermutete Ursache?
Solche Fragen lassen sich nicht mit einer einzelnen Auswertung beantworten. Daten mehrerer Stationen müssen zusammengeführt, Zusammenhänge geprüft, Hypothesen bewertet und gegebenenfalls verworfen werden. Genau diesen Ablauf übernimmt Orcha-3 selbstständig und dokumentiert dabei jeden Schritt.
Die Plattform ist funktionsfähig und wurde bislang an virtuellen Prozessketten erprobt. Im nächsten Schritt soll Orcha-3 auf reale Fragestellungen aus der Fertigung angewendet werden. Dafür sucht das Fraunhofer IWU Industriepartner mit konkreten Aufgabenstellungen. Gemeinsam soll geprüft werden, welche Fragestellungen sich mit dem Ansatz bearbeiten lassen, welche Daten dafür zur Verfügung stehen und wie sich ein Einstieg gestalten kann.
Die Plattform Orcha-3
Orcha-3 verarbeitet komplexe Aufgaben als sogenannte Jobs und bearbeitet sie in mehreren Planungsschleifen. Die Architektur trennt API, Orchestrator, Supervisor und spezialisierte Agenten. Sämtliche Zustände und Ergebnisse werden persistent gespeichert, sodass Abläufe nachvollzogen und unterbrochene Jobs wieder aufgenommen werden können. Ein Planner-Agent analysiert zunächst den aktuellen Zustand und legt die nächsten Arbeitsschritte fest. Daraus entstehen Tasks, die spezialisierte Agenten ausführen. Ihre Ergebnisse werden gespeichert und fließen in den nächsten Planungszyklus ein. Dieser Ablauf wiederholt sich, bis eine Lösung erreicht ist oder eine definierte Abbruchbedingung greift.
