Fragen Sie Ihre Daten: Wie KI-Agenten die Produktion analysieren — und handeln.

Zwischen den Daten eines Werks und den Entscheidungen einer Schicht liegt heute ein Umweg: Wer wissen will, warum die OEE auf Linie 3 gefallen ist, exportiert aus vier Systemen, wartet auf ein Ticket im BI-Backlog — oder verlässt sich auf Erfahrung. Agentic Analytics kürzt diesen Umweg ab: Fachleute fragen in Klartext, spezialisierte KI-Agenten analysieren die verbundenen MES-, SCADA-, ERP- und CAQ-Daten, begründen jede Antwort und stoßen die nächste Maßnahme an.

Der Kern dieses Whitepapers lässt sich in drei Aussagen zusammenfassen: Erstens ist das Nadelöhr der Produktion nicht die Datenerfassung, sondern der Weg von der Frage zur belastbaren Antwort — und von der Antwort zur Maßnahme am Shopfloor. Zweitens lösen keine generischen Chatbots dieses Problem, sondern vorgefertigte Agenten mit kodifiziertem Fertigungs-Wissen, erprobten Tools und den passenden Datenzugriffen — für Analytics, Operations und Compliance. Drittens bleibt die Kontrolle im Werk: Jede Antwort ist nachrechenbar, jede Handlung durchläuft Ihre Freigabelogik, alles läuft in Ihrer Cloud — im Dauerbetrieb, ohne CapEx.

Richtwerte aus Projekten — jede Zahl ist ein KPI, den Ihr Controlling nachrechnen kann. Ihre eigenen Werte entstehen im Potenzial-Check aus Ihren echten Linien- und Prozessdaten.

Die Fragen einer Produktionswoche sind konkret: Warum ist die OEE auf Linie 3 in KW 29 gefallen? Welche drei Gründe kosten die fehlenden Punkte? Was verbraucht die Halle 2 je Gutteil — und warum mehr als die baugleiche Linie im Nachbarwerk? Kündigt sich die nächste Störung am Verpacker bereits an? Keine dieser Fragen ist exotisch. Und doch beantwortet sie in den meisten Werken kein System, sondern ein Mensch mit Excel — Tage später.

Dabei ist die Datenlage besser als ihr Ruf: Die typische Landschaft eines Werks erfasst bereits heute alles, was für belastbare Antworten nötig wäre — takt- und chargenscharf, rund um die Uhr. Das Problem ist nicht die Verfügbarkeit der Daten, sondern der Weg von der Frage zur Antwort.

Abb. 1 — Acht Quellsysteme, die in fast jedem Fertigungs-Setup vorhanden sind. Die Agenten binden sie lesend an — jede Antwort entsteht aus den verbundenen Quellen, nicht aus einem Export.

Was diese Systeme gemeinsam haben: Sie kennen einander nicht. Die BDE-Gründe liegen im MES, die Prozesswerte im SCADA, die Aufträge im ERP, die Prüfergebnisse im CAQ, die Zählerstände im EMS. Die Antworten auf die Fragen der Schicht — welcher Parameterdrift dem Ausschuss vorausging, welche Rüstreihenfolge die Anfahrverluste erzeugt, welche Anlage die Grundlast treibt — entstehen erst, wenn diese Quellen zusammen befragt werden können. Genau dort setzen die Agenten an.

In Gesprächen mit Werksleitungen, Produktions- und Instandhaltungsverantwortlichen wiederholen sich drei Muster — unabhängig von Größe, Branche und Reifegrad der Datenlandschaft. Sie erklären, warum die Fragen der Schicht trotz voller Datenbanken unbeantwortet bleiben.

Muster 1 · Reporting-Stau: Jede neue Frage ist ein Ticket

OEE je Schicht, Ausschuss-Treiber, kWh je Gutteil: Die Antworten liegen quer über MES, SCADA, ERP und CAQ — zwischen Frage und Antwort stehen Backlog und Excel. Für einen simplen Schichtvergleich werden Daten aus vier Systemen exportiert und von Hand zusammengeführt; jede Ad-hoc-Frage konkurriert mit dem Berichtswesen um dieselben wenigen Analysten. Das Ergebnis: Gefragt wird nur noch, was ohnehin im Standardreport steht.

Muster 2 · Erkenntnis ohne Aktion: Die Analyse erreicht den Shopfloor zu spät

Sensor-Drift, Mikrostopp-Muster und kippende Parameterfenster werden durchaus erkannt — im Monatsreport. Schicht und Instandhaltung hätten sie am selben Tag gebraucht: Das Dashboard zeigt die Störung, nachdem die Linie stand. Zwischen Erkenntnis und Maßnahme fehlt das Bindeglied — ein System, das nicht nur analysiert, sondern die nächste Handlung vorbereitet und an die richtige Stelle bringt.

Muster 3 · Skalierung: Analytics wächst nicht mit den Linien

Mehr Linien, mehr Produkte, mehr Werke — aber nicht mehr Analysten. Die besten Leute bauen Reports, statt Prozesse zu verbessern; die OEE wird berichtet, aber nicht erklärt. Jedes neue Werk multipliziert den Aufwand, statt vom vorhandenen Wissen zu profitieren. Analytics als manuelle Dienstleistung skaliert nicht — als laufendes System schon.

Die Antwort auf die drei Muster ist keine generische KI, sondern ein Team vorgefertigter Agenten — jeder mit kodifiziertem Fertigungs-Wissen, erprobten Tools und den passenden Datenzugriffen. Sie arbeiten in Ihrer Cloud auf den lesend angebundenen Quellsystemen und decken drei Aufgabenfelder ab: Analytics (fragen · verstehen · quantifizieren), Operations (überwachen · vorschlagen · handeln) und Compliance (vorbereiten · überwachen · nachweisen).

Abb. 2 — Links Ihre Systeme, in der Mitte die drei Agenten-Familien in Ihrer Cloud, rechts die Ergebnisse. Das Datenfundament läuft im Hintergrund mit — als Teil des Onboardings, nicht als Ihr Projekt.

Analytics-Agenten: fragen · verstehen · quantifizieren

• OEE-Analyst — Verfügbarkeits-, Leistungs- und Qualitätsverluste je Linie, Schicht und Produkt, mit Treiberanalyse und Pareto statt bloßer Kennzahl.
• Energie-Analyst — kWh je Charge und Gutteil, Grundlast je Anlage, Effizienzvergleich baugleicher Maschinen — ISO-50001-tauglich.
• Qualitäts-Analyst — korreliert CAQ-Ergebnisse mit Prozesswerten je Charge und identifiziert kritische Parameterfenster.
• Durchsatz-Analyst — Engpässe, Durchlaufzeiten, Mikrostopp-Muster — Ad-hoc-Antworten in Minuten statt Sprints.

Operations-Agenten: überwachen · vorschlagen · handeln

• Anlagen-Monitor — erkennt Sensor-Drift und Anomalien in Prozesswerten; Frühwarnung mit Kontext (Was? Wo? Wie dringend?) an Schicht und Instandhaltung.
• Lastspitzen-Wächter — erkennt sich anbahnende Peaks viertelstundenscharf und schlägt Verschiebungen vor — Fahrplan mit Ihrer Freigabe.
• Instandhaltungs-Agent — priorisiert IH-Aufträge nach Zustand und Ausfallrisiko, plant Stillstandsfenster — integriert mit Ihrem CMMS.
• Feinplanungs-Agent — Rüstfolge- und Reihenfolgevorschläge je Schicht — mit Backtest und Ihrer Freigabelogik.

Compliance-Agenten: vorbereiten · überwachen · nachweisen

• Energie-Melde-Agent — bereitet ISO-50001-Reviews sowie EnEfG- und BAFA-Nachweise vor, mit Vollständigkeitsprüfung gegen Zähler- und Auftragsdaten.
• Fristen-Wächter — überwacht Audit-, Kalibrier- und Prüftermine (ISO 9001, ISO 50001, Messmittel) — und eskaliert, bevor etwas reißt.
• Report-Agent — erstellt Schicht-, Werks- und Managementberichte automatisch — jede Zahl mit Herleitung.
• Nachweis-Agent — führt lückenlose Audit-Trails und Chargen-Rückverfolgung, inklusive Dokumentation der Agenten-Entscheidungen; CO₂ je Produkt vorbereitet für CBAM/CSRD.

Von der Frage zur Maßnahme — ein Durchlauf

Wie das im Betrieb aussieht, zeigt ein typischer Durchlauf: Die Werksleitung fragt in Klartext, „Warum ist die OEE auf Linie 3 in KW 29 gefallen?“ Der OEE-Analyst antwortet in unter einer Minute: OEE 78,4 % → 74,1 % (−4,3 Punkte); 68 % der zusätzlichen Verluste entfallen auf Rüstzeiten nach Schichtübergabe — die Werkzeugwechsel-Reihenfolge weicht seit der Produktmix-Änderung vom Standard ab. Jede Zahl trägt ihre Quelle (MES-, SCADA- und CAQ-Daten) und ist nachrechenbar. Der Befund bleibt nicht im Chat: Der OEE-Analyst übergibt einen Rüstfolge-Vorschlag an den Feinplanungs-Agenten, der die Frühschicht anpasst — −42 Minuten je Schicht, freigegeben durch die Feinplanung, dokumentiert im Audit-Trail. Von der Frage zur umgesetzten Maßnahme: unter einer Minute Analyse, eine Freigabe, ein Nachweis.

Entscheidend ist das Zusammenspiel: Die Agenten arbeiten sich gegenseitig zu und prüfen einander (QA eingebaut). Steuerungen, Fahrpläne und Nachweise werden vorbereitet — die Freigabe bleibt bei Ihnen. Kein Eingriff in eine Anlage ohne Ihre Freigabelogik.

Was jeder Agent mitbringt

• LLM · frei wählbar — Anthropic, OpenAI, Mistral oder Open Source / EU-gehostet.
• Dedizierte Skills — Fertigungs-Wissen kodifiziert je Rolle, vom OEE-Standard bis zur Rüstfolgelogik.
• Tools — erprobte Werkzeuge statt Neuerfindung: Verlust-Clustering, Drift-Erkennung, Pareto, Backtests.
• Datenzugriffe — MES, SCADA, ERP, CAQ, CMMS und Energiezähler, lesend angebunden.
• Context & Workflows — persistenter Werks- und Anlagenkontext: Der Agent kennt Ihre Linien, Produkte und Definitionen.
• QA & Freigaben — Human-in-the-Loop, lückenlos protokolliert.

Jeder Use Case kombiniert Analytics- und Operations-Agenten zu einem laufenden System und folgt demselben Muster: Ausgangslage verstehen, Agenten kalibrieren, Ergebnis am KPI nachweisen — und im Dauerbetrieb halten. Die folgenden vier Hebel decken das Spektrum von der Linie bis zum Energiemanagement ab.

Use Case 1 · OEE-Steigerung je Linie & Schicht

OEE wird in vielen Werken berichtet, aber nicht erklärt: Die Verluste verstecken sich in unklaren BDE-Gründen, in Mikrostopps unter der Erfassungsschwelle und in Unterschieden zwischen Schichten und Produkten. Der OEE-Analyst clustert die Verlustgründe und liefert ein Pareto je Linie, Schicht und Produkt; der Feinplanungs-Agent macht daraus Reihenfolge- und Rüstfolge-Vorschläge — mit Backtest, Ihrer Freigabe und Vorher-Nachher-Nachweis je Maßnahme.

Abb. 3 — Illustratives Beispiel: Vom OEE-Vergleich über den Treiber-Drilldown zum Befund — und zur übergebenen Maßnahme. Quelle: MES-, SCADA- & CAQ-Daten, nachrechenbar.

Use Case 2 · Uptime: Ungeplante Stillstände senken

Störungen kommen „aus dem Nichts“ — dabei kündigen sich viele in Vibrations-, Temperatur- und Stromsignaturen an, Minuten bis Tage im Voraus. Der Anlagen-Monitor erkennt Drift und Anomalien je kritischer Anlage und warnt mit Kontext; der Instandhaltungs-Agent plant den Eingriff ins nächste Stillstandsfenster — integriert mit Ihrem CMMS, priorisiert nach Ausfallrisiko und Kostenwirkung.

Abb. 4 — Illustratives Beispiel: Der Anlagen-Monitor erkennt den Drift an Tag 9; der Instandhaltungs-Agent legt den Eingriff ins geplante Fenster — 12 Tage vor der projizierten Grenzverletzung.

Use Case 3 · Energieeffizienz & Lastspitzen

Energie wird je Werk abgerechnet, aber je Anlage und Produkt entschieden. Ohne diese Auflösung bleiben Effizienzhebel unsichtbar — und Peaks teuer. Der Energie-Analyst verknüpft Zähler mit MES-Aufträgen (kWh je Charge und Gutteil, Grundlast je Anlage, Effizienzvergleich baugleicher Maschinen); der Lastspitzen-Wächter erkennt sich anbahnende Peaks viertelstundenscharf und schlägt Verschiebungen vor — der Fahrplan geht erst mit Ihrer Freigabe in Kraft.

Use Case 4 · Qualität & Ausschuss

Ausschuss wird gezählt, aber selten auf Prozessparameter zurückgeführt — die Ursachensuche bleibt Erfahrungssache und beginnt oft erst, wenn eine ganze Charge gekippt ist. Der Qualitäts-Analyst korreliert CAQ-Ergebnisse mit Prozesswerten je Charge und identifiziert kritische Parameterfenster; der Anlagen-Monitor warnt, bevor eine Charge kippt — und liefert die belastbare Grundlage für Prozessfreigaben und Reklamationsanalysen gleich mit.

Ihr Use Case ist nicht dabei? Wir bauen Ihren Agenten.

Rüstzeitanalyse, Traceability, Durchlaufzeiten, Werkzeugverschleiß, CO₂ je Produkt — jedes Werk hat Fragen, die kein Standardtool beantwortet. Dafür konfigurieren wir Agenten auf Ihre Daten, Ihre KPIs und Ihre Prozesse — in drei Schritten: Frage & KPI definieren (welche Entscheidung soll der Agent verbessern, gemessen in Euro pro Jahr?), Agent konfigurieren (Skills, Tools und Datenzugriffe auf Basis derselben erprobten Bausteine wie die vorgefertigten Agenten, in Ihrer Cloud) und in den Dauerbetrieb (live mit QA, Monitoring und Ihrer Freigabelogik; Wirkung je Maßnahme vorher/nachher gemessen). Ein Custom-Agent ist in vier bis sechs Wochen produktiv — nicht in Jahren.

Antworten sind erst der Anfang — bezahlt macht sich die Maßnahme. Deshalb folgt jeder Fund demselben Vier-Schritt: Finden (die Analytics-Agenten durchsuchen die verbundenen Produktionsdaten laufend nach Mustern und Abweichungen), Bewerten (jeder Fund wird in Euro pro Jahr und KPI-Wirkung übersetzt und nach Hebel und Aufwand priorisiert), Heben (die Operations-Agenten operationalisieren die wertvollsten Hebel — Frühwarnungen, Vorschläge und Fahrpläne mit Ihren Freigaben) und Sichern (jede Maßnahme erhält eine Vorher-Nachher-Messung; die Compliance-Agenten dokumentieren Wirkung und Entscheidungen im Audit-Trail).

Das Ergebnis dieses Prozesses ist der Potenzial-Ledger: eine laufend gepflegte, priorisierte Liste aller identifizierten Potenziale — jeweils mit Befund, verantwortlichem Agenten und Euro-Wert. So könnte er für ein Werk mit drei Linien aussehen:

Abb. 5 — Illustratives Beispiel. Ihr Ledger entsteht im Potenzial-Check aus Ihren echten MES-, Prozess-, Energie- und Qualitätsdaten.

Beispielrechnung: Werk mit drei Linien

Zur Einordnung eine vereinfachte Modellrechnung für ein Werk mit drei Linien im Dreischichtbetrieb. Die Prozentwerte entsprechen den KPI-Richtwerten aus Kapitel 5; die absoluten Beträge hängen von Ihren Deckungsbeiträgen, Ihrer Auslastung, Ihren Energiepreisen und Ihrem Produktmix ab — genau das klärt der Potenzial-Check.

Tab. 1 — Vereinfachte Modellrechnung, keine Zusage. Vereinbart wird je Use Case ein klar definierter KPI mit Baseline aus Ihren historischen Daten und Zielwert — bevor wir starten.

Zwei Eigenschaften unterscheiden diesen Business Case von klassischen Digitalisierungsprojekten: Ohne CapEx — es entsteht keine neue Hardware- oder Lizenzlandschaft; die Agenten arbeiten in Ihrer bestehenden Cloud. Und nachrechenbar — jede Maßnahme bekommt eine Vorher-Nachher-Messung am vereinbarten KPI, die Ihr Controlling eigenständig prüfen kann. Gemessen wird nicht an Dashboards, sondern an OEE-Punkten, Stillstandsstunden, kWh je Gutteil und Ausschussquote.

Der häufigste Einwand gegen KI-Projekte in der Fertigung lautet: „Erst brauchen wir zwei Jahre Datenplattform.“ Die Erfahrung zeigt das Gegenteil — wenn das Fundament als kompaktes Data-Engineering-Projekt im Onboarding gelegt wird. Unsere Engineers arbeiten dabei agentenunterstützt und führen MES, SCADA, ERP und CAQ dadurch in Tagen statt Monaten lesend zusammen — takt- und chargenscharf, historisiert, in Ihrem Data Warehouse. Im Dauerbetrieb halten die Agenten Pipelines und Datenqualität aktuell: Lücken, Sensor-Drift und Ausreißer werden erkannt, bevor sie eine Antwort verfälschen. Sie kaufen Antworten, keine Pipelines — die Infrastruktur ist unser Handwerk im Onboarding und in der Wartung, nicht Ihr Projekt.

Der typische Fahrplan vom ersten Gespräch bis zum Dauerbetrieb:

Wichtig ist die Reihenfolge: Nicht erst jahrelang „Plattform bauen“ und dann Use Cases suchen — sondern mit einem wirtschaftlich klaren Hebel starten und das Fundament daran wachsen lassen. Jede angebundene Quelle, jeder gelernte Werkskontext und jede Prüfregel zahlt auf den nächsten Agenten ein.

Ein System, das Anlagenzustände sieht und Maßnahmen anstößt, braucht klare Regeln. Produktionsdaten gehören zu den bestgehüteten Informationen eines Werks — Rezepturen, Prozessfenster, Auslastung, Energieprofile. Und Handlungen am Shopfloor brauchen eine Verantwortungskette, die vor jedem Auditor besteht. Deshalb ist die Governance keine Nebensache, sondern Teil der Architektur:

• Ihre Systeme bleiben führend. MES, SCADA, ERP und CAQ werden lesend angebunden — jede Quelle in Tagen statt Monaten. Es entsteht kein Parallelsystem, und kein Eingriff in eine laufende Steuerung erfolgt ohne Ihre Freigabelogik.
• Alles in Ihrer Cloud. Azure, AWS oder Google Cloud; Ihr Berechtigungsmodell gilt, DSGVO-konform. Pipelines, Agenten-Konfigurationen und Dokumentation sind jederzeit übernehmbar — kein Lock-in.
• Der Mensch entscheidet. Steuerungen, Fahrpläne und Nachweise werden vorbereitet; die Freigabe bleibt bei Ihnen. Jede Empfehlung ist begründet und nachvollziehbar — Human-in-the-Loop, lückenlos protokolliert.
• LLM frei wählbar. Anthropic, OpenAI, Mistral oder Open Source — auch EU-gehostet oder on-prem, wenn Ihre Compliance es verlangt. Das Modell liefert das Denken; Skills, Tools, Datenzugriffe und QA liefert die Plattform.
• Prüffähigkeit eingebaut. Die Compliance-Agenten bereiten ISO-50001-Reviews sowie EnEfG- und BAFA-Nachweise inhaltlich vor, überwachen Fristen und führen Audit-Trails inklusive der Agenten-Entscheidungen — CO₂ je Produkt vorbereitet für CBAM/CSRD. Die Plattform dokumentiert sich für den Auditor gleich mit.

Die Produktion braucht keine weiteren Dashboards — sie braucht Antworten, die handeln dürfen. Die Daten dafür sind vorhanden; die Agenten dafür sind vorgefertigt; die Governance, sie sicher zu betreiben, ist eingebaut. Was den Unterschied macht, ist der Ansatz: Frage zuerst, Euro-Bewertung je Fund, Freigaben von Tag eins, und jeder Effekt am KPI nachgewiesen.

Ob sich der Einstieg für Ihr Werk lohnt, lässt sich in wenigen Minuten prüfen:

• Wie lange dauert es heute von einer neuen Frage der Schicht („Warum ist die OEE gefallen?“) bis zur belastbaren Antwort — Minuten, Tage oder Wochen?
• Erreicht eine erkannte Auffälligkeit — Sensor-Drift, Mikrostopp-Muster, kippendes Parameterfenster — Schicht und Instandhaltung am selben Tag, oder erst im Monatsreport?
• Wissen Sie, was eine Kilowattstunde je Gutteil kostet — je Anlage und Produkt, nicht je Werk?
• Wächst Ihr Analytics-Aufwand mit jeder neuen Linie mit — oder bauen Ihre besten Leute Reports statt Prozesse?
• Könnten Sie einem Auditor heute lückenlos nachweisen, welche Daten und Entscheidungen hinter einer Maßnahme stehen?

Wenn Sie bei zwei oder mehr Fragen zögern, liegt mit hoher Wahrscheinlichkeit quantifizierbares Potenzial in Ihren Daten. Der nächste Schritt ist bewusst klein gehalten: ein 30-minütiger Potenzial-Check an Ihren Fragen — mit Ihren Liniendaten oder synthetischen Beispielen, und dem quantifizierten Potenzial in Euro pro Jahr als greifbarem Ergebnis.