Agentische KI ermöglicht den Übergang von der prädiktiven zur präskriptiven Wartung
Predictive Maintenance ist in vielen Industrien angekommen. Lernende Algorithmen analysieren Maschinen- und Umweltdaten, erkennen Anomalien und sagen Störungen und Ausfälle vorher. Hochwertige relevante Daten und etablierte Modelle unterstützen so Hersteller und Betreiber von Maschinen und Anlagen, die Verfügbarkeit hochzuhalten, ungeplante Stillstände zu vermeiden und rechtzeitig Wartungs- und Instandhaltungsmaßnahmen einzuplanen. Somit ist heutzutage oft bereits frühzeitig klar, dass etwas zu tun ist. Allerdings ist dann noch nicht automatisch klar, was zu tun ist. Durch die Fortschritte im Bereich der Generativen und agentischen KI kann diese Lücke nun auf Basis historischer Daten, unstrukturiertem Fachwissen und des aktuellen Kontexts geschlossen werden.
Die Lücke zwischen Prognose und Entscheidung
Nutzer von Predictive Maintenance Lösungen kennen das: Ein Model meldet eine Anomalie und prognostiziert einen wahrscheinlichen Fehler. Dann beginnt die eigentliche Arbeit. Ein erfahrener Servicetechniker oder Reliability Engineer prüft Diagnosedaten und Messwerte, sichtet Wartungshistorien ähnlicher Fälle, tauscht Einschätzungen mit Kolleginnen und Kollegen aus, schaut in die Handbücher und Richtlinien, gleicht die Werkstattauslastung ab, prüft die Ersatzteilverfügbarkeit und entscheidet dann unter Unsicherheit, was zu tun ist. Diese Arbeit kann Stunden oder auch Tage dauern und bindet hochqualifiziertes Personal.
Ansätze zur Umsetzung von präskriptiver Wartung gibt es schon seit Jahrzehnten. Das Ziel war und ist es, nicht nur zu prognostizieren, sondern konkrete Maßnahmen zu empfehlen: Welche exakte Tätigkeit behebt das Problem, vermeidet Falschtausche und Sekundärschäden und maximiert die Verfügbarkeit? Kann diese ungeplante Maßnahme in einem geplanten Wartungsfenster durchgeführt werden, wenn wir bestimmte Parameter wie z.B. die Last oder das Missionsprofil der Maschine anpassen? Konzeptionell ist das seit Jahren klar. Was bisher fehlte, war eine Technologie, die unstrukturiertes Fachwissen wie Handbücher, Richtlinien, Wartungsstrategien und Freitexte mit strukturierten Maschinendaten zusammen verarbeiten und daraus konkrete Handlungslogik ableiten kann. Genau das steht nun mit modernen Large und Small Language Modellen in Kombination mit klassischem Maschinellem Lernen und mit der Fähigkeit, in Agentensystemen zu agieren, zur Verfügung.
Ein Blick in den Maschinenraum
Das Herzstück bleiben die bewährten Predictive Maintenance Algorithmen: Anomaly Detection, Fault Prediction, Incident & Failure Detection auf Basis von Diagnose-, Betriebs- und Umweltdaten sowie der Instandhaltungshistorie. Diese Datenstrecken laufen kontinuierlich.
Sobald ein relevantes Signal auftritt, wird die agentische Schicht aktiv. Ein Koordinator („Prescription Agent“) koordiniert die Analyse und ruft je nach Bedarf spezialisierte Agenten auf, die er abhängig von der aktuellen Lage steuert und orchestriert:
- Special Investigation Agents durchsuchen historische Daten nach vergleichbaren Fehlerbildern, prüfen die damals durchgeführten Maßnahmen und Bauteiltausche und destillieren daraus, was funktioniert hat und was nicht.
- Digital Twin Agents simulieren Szenarien, sofern ein Simulationsmodell verfügbar ist: Was passiert, wenn wir die Leistung reduzieren? Können wir die Störung dadurch bis zum nächsten geplanten Wartungsfenster hinauszögern? Wie verändert sich die Restlebensdauer, wenn wir das Missionsprofil anpassen (z.B. mehr statische Anteile und weniger dynamische Missionsanteile)?
- Fleet-, Maintenance- und Supply-Chain-Agenten bringen den operativen Kontext ein: Flottenauslastung, Werkstattkapazitäten, Ersatzteilverfügbarkeit, Liefertermine.
Aus diesen Bausteinen entsteht eine Handlungsempfehlung mit Begründung, Alternativen und einer Einschätzung der Konsequenzen. Wenn die Agenten Tools bedienen dürfen, können sie darüber hinaus selbst handeln: Wartungsaufträge eröffnen, Ersatzteile reservieren, Maschinenparameter anpassen. Hier müssen wohlüberlegte Architekturentscheidungen getroffen werden: Was soll automatisch passieren und was soll als Empfehlung an menschliche Experten gehen? In sicherheitskritischen und regulierten Umgebungen werden oft Human-in-the-Loop Lösungen mit definierten Eskalationspfaden umgesetzt.
Relevante Daten als wichtige Grundlage
Der Predictive Maintenance Baustein basiert wie gewohnt auf Maschinen- und Instandhaltungsdaten. Im überwachten Lernen werden Algorithmen darauf trainiert, die in der Vergangenheit aufgetretenen Ausfälle mit den vorher zur Verfügung stehenden Daten vorherzusagen. Im unüberwachten Lernen werden keine konkreten Ausfälle vorhergesagt, sondern Anomalien erkannt, die eine weitere Fehlersuche erfordern, um die Ursache zu finden.
Für den präskriptiven Baustein sieht der Datenmix anders aus. Hier kommt es weniger auf Sensordaten an als auf kodifiziertes Fachwissen: Handbücher, Wartungsstrategien, Richtlinien, Simulationsmodelle, Analysebausteine. Genau diese Inhalte sind in den meisten Unternehmen bereits vorhanden. Sie müssen nutzbar gemacht werden, um Prescriptive Maintenance mit Hilfe agentischer KI zu ermöglichen. Ein Beispiel ist die Speicherung von Dokumenten in Vektordatenbanken mit Hilfe von Embeddings, um KI-Agenten semantische Suchen und Retrieval-Augmented Generation (RAG) zu ermöglichen.
Bei der Architektur des Gesamtsystems müssen Konnektivität und Kosten von Anfang an mitgedacht werden. In vielen Fällen ist es sowohl aus Kostengründen als auch aufgrund des Einsatzszenarios nicht ratsam, alle Maschinendaten in die Cloud zu schicken und die dort verfügbaren etablierten LLMs zu nutzen. Für Maschinen in Bergwerken, auf hoher See, in entlegenen Regionen oder unter militärischen Bedingungen empfiehlt es sich, in Onboard-Intelligenz zu investieren. Dazu können feingetunte Small Language Modelle (SLM) dienen, die auf relevante Daten und Informationen Zugriff haben und für ihre spezielle Aufgabe zielgerichtete Aktionen durchführen können. Dies reduziert die Übertragung von Daten in die Cloud und die Kosten für die Nutzung (zu) großer Modelle.
Wo sich der Aufwand lohnt
Die Fähigkeiten agentischer KI im Kontext der präskriptiven Wartung sind beeindruckend. Der Nutzen ist real und messbar sowohl hinsichtlich Zeit- als auch Kostenersparnis. Allerdings sind Konzeption und Umsetzung anspruchsvoll, um eine hohe Verlässlichkeit im Betrieb sicherzustellen. Dieser Aufwand lohnt sich insbesondere dort, wo zwei Dinge zusammenkommen:
- kapitalintensive Assets mit hohen Stillstandskosten und
- Verfügbarkeitsverträge, bei denen Zahlungen an die tatsächlich erreichte Verfügbarkeit einer Anlage/Leistung gekoppelt sind
Genau diese zweite Bedingung gewinnt rapide an Bedeutung. Verfügbarkeits- und Outcome-basierte Geschäftsmodelle breiten sich aus, vom Power-by-the-Hour-Modell bei Triebwerken über bezahlte Betriebsstunden bei Baumaschinen und Bergbautrucks bis zu kilometer- oder zyklenbasierten Verträgen bei Schienenfahrzeugen und Industrieflotten. Sobald ein Hersteller nicht mehr Assets verkauft, sondern deren Verfügbarkeit, kehrt sich das wirtschaftliche Interesse um: Jeder ungeplante Stillstand, jeder Falschtausch, jede vorgehaltene Komponente schlägt unmittelbar auf die Marge durch. In diesem Modell ist präskriptive Wartung ein Schlüsselelement, um die Verfügbarkeit zu maximieren und die Stillstandszeit zu minimieren.
Die Reduktion der Diagnosezeit durch agentische KI im Vergleich zur reinen vorausschauenden Wartung entsteht durch zwei strukturelle Effekte. Zum Einen erreicht die Automatisierung der Diagnosekette, dass die Analyse sofort beginnt, wenn ein Signal auftritt und nicht erst, wenn Fachpersonal verfügbar ist. Zum Anderen können Untersuchungen parallelisiert werden. Während ein Agent in der Historie nach Mustern sucht, simuliert ein zweiter Szenarien, ein dritter prüft die Ersatzteillage. Das Ergebnis ist ein strukturierter Befund in Minuten statt Stunden.
Der eigentliche Hebel ist nicht technisch
Die spannende Frage für die nächsten Jahre lautet nicht, ob agentische präskriptive Wartung möglich ist. Es ist möglich und liefert erste vielversprechende Ergebnisse. Die Frage lautet eher, wie wir damit das Operating Model im Service verändern. Welche Entscheidungen geben wir an Agenten ab, welche behalten wir bei Menschen? Und wie gestalten wir die Übergänge so, dass sie sicher, nachvollziehbar und auditierbar bleiben?
Hersteller und Betreiber, die früh in agentisches Prescriptive Maintenance investieren, bauen nicht nur einen technischen Vorsprung auf. Sie lernen die Fähigkeiten und Limitierungen agentischer Systeme kennen. Sie verstehen, wie die Prozesse umgebaut werden müssen, um den Nutzen zu entfalten. Sie sehen, wie die Mitarbeitenden informiert, geschult und vorbereitet werden müssen, um auf der Basis der vorbereiteten Informationen und eigener Analysen bestmögliche Entscheidungen zu treffen. Sie verstehen, wie das Information Design gestaltet werden muss, um agentische Arbeit transparent und überprüfbar zu machen und mit dem menschlichen Wissen zu kombinieren. Am Ende entscheidet nicht die Güte des Algorithmus über den Wettbewerbsvorteil, sondern die Fähigkeit einer Organisation, maschinelle Intelligenz und menschliches Urteil so zu verbinden, dass beides besser wird.
