Zusammenarbeit muss im Zentrum des multi‑agentischen KI‑Ansatzes der Fertigung stehen. So geht’s.

Die meisten, wenn nicht alle, groß angelegten Hersteller jonglieren mit einer Fülle von Systemen in ihrer digitalen Infrastruktur. Oft laufen diese gleichzeitig auf dem Werksgelände: Ein prädiktiver Wartungs‑Agent überwacht Vibrationssensoren auf Sicherheitssignale, ein vision‑basierter Qualitätskontroll‑Agent markiert Produktfehler und ein Planungs‑Agent koordiniert Umrüstungen, während ein Bestands‑Agent die Beschaffung im Blick behält. Jeder hat eine klare operative Aufgabe, doch häufig kommunizieren diese Systeme nicht miteinander.

Dieses Versagen bei der Zusammenarbeit untergräbt die agentenbasierte KI in der groß angelegten Fertigung. Ob ein Agent funktioniert oder nicht, ist das eine; ein weiteres bedeutendes Problem für große Fertigungsunternehmen ist, dass sie nahezu völlig isoliert agieren.

Und während die Zahl der groß angelegten Organisationen, die KI‑Agenten in mindestens einer Funktion skalieren, von 27 % bis 40 % Jahr für Jahr gestiegen ist, konzentrieren sie sich auf spezifische Funktionen wie IT und Software‑Engineering, anstatt Agenten gleichmäßig über den gesamten Betrieb als koordiniertes System zu verteilen. Gleichzeitig planen zwar die meisten Organisationen den Einsatz autonomer Agenten, doch nur etwa ein Drittel hält seine Infrastruktur für bereit, sie zu unterstützen. Darüber hinaus hat eine Studie aus dem Jahr 2025 ergeben, dass 79 % der Fehlfunktionen von Multi‑Agent‑LLM‑Systemen auf Probleme bei Koordination und Spezifikation zurückzuführen sind.

Hersteller fügen dem Werk und der Produktionslinie autonome Entscheidungsträger schneller hinzu, als sie die Konnektivität zwischen ihnen aufbauen. Das verschärft ein Koordinations‑ und Kollaborationsproblem, das die Leistungsfähigkeit dieser Modelle untergräbt. Letztlich zeigt sich dies in drei klaren Bereichen des KI‑Stacks. Hier erfahren Sie, wo und was Hersteller tun sollten, um kollaborative, gut vernetzte agentenbasierte Systeme sicherzustellen.

Die größten Reibungspunkte der Zusammenarbeit

Der erste und vermutlich größte Hinderungsgrund sind Daten, die für viele große Organisationen, die KI skalieren wollen, nach wie vor ein bedeutendes Hindernis darstellen. Die meisten Hersteller arbeiten mit jahrzehntelanger, angesammelter Infrastruktur (und den dazugehörigen Daten) in Form von MES‑ und ERP‑Systemen, die kein gemeinsames Schema mit anderen Datenströmen wie Kommunikation und Personalwesen teilen. Dadurch haben Agenten Schwierigkeiten, miteinander zu kommunizieren, sofern überhaupt; isolierte oder schlecht formatierte Daten stellen fast unüberwindbare Barrieren zwischen mehreren Agenten dar.

Auf dem Werksgelände äußert sich das so, dass ein Agent, der den Maschinenzustand und die Leistung einer Linie überwacht, keinerlei verlässliche Möglichkeit hat, zu erfahren, was der Planungs‑Agent zwei Systeme weiter für die bevorstehende Umrüstung vorsieht, obwohl beide Entscheidungen und Arbeitsabläufe sich unmittelbar gegenseitig beeinflussen.

Der nächste Reibungspunkt ist das Protokoll. Es ist ein Aspekt, der bei der KI‑Zusammenarbeit zu wenig Beachtung findet. Agenten‑KI ist noch sehr neu, und bis vor kurzem gab es keinen echten Standard, wie Agenten, die auf unterschiedlichen Frameworks, Grundlagen oder Anbietern basieren, miteinander kommunizieren und zusammenarbeiten können.

Glücklicherweise beginnt sich das zu ändern. Zum Beispiel standardisiert Google‑s Agent2Agent (A2A)‑Protokoll, das im letzten Jahr eingeführt wurde, wie unabhängige Agenten (möglicherweise auf völlig unterschiedlichen Plattformen aufgebaut) die Fähigkeiten des jeweils anderen entdecken und Aufgaben delegieren. Entscheidend ist, dass dies explizit dafür konzipiert ist, um das Model Context Protocol (MCP) von Anthropic, zu ergänzen, das festlegt, wie jeder Agent auf Werkzeuge und Datenquellen zugreift. Das gemeinsame Ziel ist es, Isolation zu überwinden und Zusammenarbeit sicherzustellen, selbst in groß angelegten Multi‑Agent‑Umgebungen.

Schließlich kämpfen viele Hersteller noch mit der Frage der menschlichen Aufsicht. Selbst ein perfekt koordiniertes Agentennetzwerk wird scheitern, wenn die Verantwortlichen ihm nicht vertrauen oder unrealistische Erwartungen an seine Fähigkeiten haben. Analysten von MIT Sloan haben Warnungen ausgesprochen bezüglich überhöhter Erwartungen und schwindenden Vertrauens in die agentenbasierte KI, neben einer potenziellen Gefahr der menschlichen Entfremdung von KI‑Agenten. Auf dem Werksgelände können diese Lücken und Reibungspunkte katastrophal sein: das menschliche Bindeglied, das das agentenbasierte Ökosystem verbindet, ist für sichere, zuverlässige Abläufe von entscheidender Bedeutung.

Die Vertrauenslücke überbrücken

Es ist verlockend, die menschliche Seite davon als rein kulturelles Problem zu sehen, das durch weitere Schulungen gelöst werden kann. Diese Maßnahmen werden jedoch nicht ausreichen, wenn sie nicht mit nachhaltigen architektonischen Lösungen kombiniert werden. Das Design der Aufsicht muss berücksichtigen, wann menschliches Urteil dem System untergeordnet werden sollte, anstatt standardmäßig die Empfehlung des Agenten zu überschreiben, weil die beteiligte Person anderer Meinung ist.

Integrieren Sie Transparenz des Denkens, das bedeutet, dass stets Sichtbarkeit besteht und nachvollzogen werden kann, warum ein Agent eine Entscheidung getroffen oder einen Vorschlag markiert hat, über das bloße Betrachten des Ergebnisses hinaus. Und wenn Bediener anderer Meinung sind, sollte ein klarer und effizienter Eskalationsweg gewährleistet sein, der Transparenz und Nachvollziehbarkeit der Entscheidungsprozesse verankert.

Ein Gefühl von Ganzheit wiederherstellen

Agenten, ähnlich wie die Teams, die sie unterstützen sollen, benötigen mehr als den Zugriff auf eine enge, spezifische Aufgabe. Sie benötigen so etwas wie ein Ganzheitsgefühl; ein funktionierendes Modell, das zeigt, wie ihr Teil der Operation mit allem anderen verbunden ist. Ein Planungs‑Agent, der die Umrüstzeit optimiert, ohne irgendeine Sicht darauf zu haben, was der Wartungs‑Agent über alternde Anlagen sieht, trifft nur eine einigermaßen akzeptable Entscheidung, die im Vergleich zu anderen Workflow‑Anforderungen möglicherweise nicht die richtige ist.

Hier treffen die Protokollschicht und das Problem des Ganzheitsgefühls aufeinander. Gemeinsamer Kontext ist das praktische Mittel, mit dem die einzelne Aufgabe eines Agenten an den tatsächlichen Zustand der gesamten Anlage geknüpft wird. In der Fertigung gibt es bereits eine Teilantwort darauf in Form von Standards wie ISA-95, die gemeinsame Verfahren definieren, wie Unternehmens‑ und Steuerungssysteme im Wesentlichen über eine Anlage hinweg kommunizieren. Die Neuheit besteht jetzt jedoch darin, diese Idee eines gemeinsamen operativen Vokabulars von einer für Menschen lesbaren Integration auf Informationen auszuweiten, die Agenten verarbeiten können.

Fehlt dieses gemeinsame Modell, fügt jeder zusätzlich eingesetzte Agent einen neuen isolierten Punkt der Argumentation und Entscheidungsfindung hinzu, der nicht Teil eines kohärenten Ganzen ist. Genau so verschärft sich die Agenten‑Verbreitung, anstatt sich bei zunehmender Einführung von selbst zu lösen.

Den Puls an den richtigen Messgrößen für den Erfolg halten

Eine weitere Falle besteht darin, agentische KI einfach auf dieselbe Weise zu messen wie jede andere Software‑Einführung: den Fokus auf Effizienzzahlen zu legen und sicherzustellen, dass sie kontinuierlich steigen. Für koordinierte und kollaborative Multi‑Agent‑Systeme ist das nicht unbedingt vorteilhaft und kann sogar nach hinten losgehen, wenn es zur einzigen Leistungskennzahl wird.

Das Erste, das bestätigt werden muss, ist nicht nur, wie viel Geld ein Agent einspart, sondern ob er sicher und zuverlässig nach Vorgabe arbeitet. Es muss sichergestellt werden, dass er innerhalb seiner vorgesehenen Grenzen agiert, vorhersehbare Fehlfunktionen aufweist und menschliche Eingriffe sowie Eskalationen zulässt. Erst wenn das geklärt ist, sollte die Qualität in den Vordergrund rücken, etwa ob die Ausgabe des Agenten tatsächlich korrekt und konsistent ist und nicht nur sofort erfolgt.

Dies ist die Prioritätenreihenfolge, der Hersteller folgen sollten. Geschwindigkeit, Durchsatz und Kosteneinsparungen stehen an unterster Stelle. Ein Produktivitätszuwachs, der auf einem unsicheren oder unzuverlässigen Agenten basiert, ist eine Haftungsquelle für Teams, Technologie, Produktionslinien, Beziehungen und den Ruf des Unternehmens.

Testen Sie zunächst im kleinen Maßstab, bevor Sie größer werden. Ein einzelner Agent, der eine klar definierte Aufgabe übernimmt, ermöglicht einen sauberen Vor‑Nach‑Vergleich. Wird jedoch das Sichtfeld erweitert, um Dutzende interagierender Agenten über die gesamte Anlage hinweg zu umfassen, bevor diese einzeln validiert wurden, wird es deutlich schwieriger, den Teil des Systems zu bestimmen, der das Ergebnis verursacht. Komplexität sollte dem Messansatz nur in dem Tempo hinzugefügt werden, in dem sie auch der Implementierung selbst hinzugefügt wird.

Hier beginnen Zusammenarbeit und Messung zu koexistieren. Die Ausgabe eines Agenten ist nur so vertrauenswürdig wie der Kontext, auf den er beim Handeln Zugriff hatte. Das bedeutet, dass das bereits erwähnte Problem des gemeinsamen Kontextes tatsächlich eine Voraussetzung für Messungen ist. Hersteller, die kein einheitliches Betriebsbild über alle Systeme hinweg geschaffen haben, können nicht zuverlässig feststellen, ob ein positives oder negatives Ergebnis das Urteil des Agenten widerspiegelt oder eine Lücke in den ihm zugänglichen Daten darstellt. Die relevanten Kennzahlen werden erst lesbar, wenn die Sequenzierung und der gemeinsame Kontext gesichert sind.

Koordination und Zusammenarbeit im Zentrum der Leistungsfähigkeit

Letztlich sind die strukturellen Vorteile großer Hersteller (ihre enormen Produktionsvolumina, historischen Datensätze, Prozesskonstanz sowie Talent‑ und Technologie‑Ressourcen) unbestritten. Diese Vorteile verstärken sich jedoch nur, wenn die Hersteller zunächst das Kollaborationsproblem lösen.

Blickt man in die Zukunft, während sich KI‑Fähigkeiten zu möglicher Gesamtautonomie weiterentwickeln und sowohl Systeme als auch Produktionslinien wachsen, werden Zusammenarbeit und Koordination zu einer absoluten Notwendigkeit. Interoperabilität, Protokollstandards, gemeinsamer Kontext, abgestimmte menschliche Aufsicht und ein Ganzheitsgefühl als architektonische Voraussetzungen vor dem Skalieren und Implementieren zu behandeln, ist zwingend erforderlich. Sie bilden die Trennlinie zwischen Herstellern, die agentische KI erfolgreich und sicher skalieren, und jenen, die in Pilotprojekten stecken bleiben.