Rockwell Automation setzt generative KI für ein praktisches Problem ein: jahrzehntelanges Instandhaltungswissen zu erfassen und es Technikern sofort nutzbar zu machen. An seinem Produktionsstandort in Singapur kombiniert ein KI-gestützter Maintenance Copilot Maschinendokumentation, Produktionsdaten und das Wissen erfahrener Ingenieure zur Fehlerbehebung, um Technikern dabei zu helfen, Fehler zu identifizieren und strukturierte Korrekturmaßnahmen durchzuführen.
Von der handbuchbasierten Fehlerbehebung zur wissensgestützten Instandhaltung
Die herkömmliche Fehlerbehebung an Maschinen hängt häufig davon ab, dass ein Techniker den richtigen Alarmcode in einem Handbuch findet, die möglichen Ursachen interpretiert und anschließend entscheidet, welche Korrekturmaßnahme zuerst ausprobiert werden soll. Wenn die Dokumentation nicht ausreicht, besteht der nächste Schritt meist darin, einen erfahrenen Techniker zu fragen, der denselben Ausfall bereits erlebt hat.
Dieser Prozess bringt zwei Einschränkungen mit sich. Erstens kann die Fehlerbehebung viel Zeit in Anspruch nehmen, während die Anlage weiterhin nicht verfügbar ist. Zweitens liegt ein großer Teil der nützlichsten Informationen möglicherweise nur als informelles „Erfahrungswissen“ bei erfahrenen Mitarbeitern vor.
Rockwells Maintenance Copilot verändert den Zugriff auf diese Informationen. Statt Hunderte von Seiten manuell zu durchsuchen, können Techniker das Maschinensymptom in natürlicher Sprache beschreiben und erhalten Informationen, die nach dem Symptom, der möglichen Ursache und der empfohlenen Reaktion geordnet sind.
Das ist ein wichtiger Unterschied in industriellen Umgebungen: Der Wert von KI besteht nicht einfach darin, Text zu erzeugen. Ihr praktischer Nutzen liegt darin, vorhandenes Ingenieurwissen zum Zeitpunkt einer erforderlichen Instandhaltungsentscheidung leichter auffindbar zu machen.
Jahrzehnte an Ingenieurwissen erfassen
Das System in Singapur umfasst Wissen zur Fehlerbehebung, das von erfahrenen Rockwell-Ingenieuren beigesteuert wurde, darunter Mitarbeiter mit 20 bis 30 Jahren Erfahrung in der Produktion.
Dieses Wissen kann Details umfassen, die sich in herkömmlichen Handbüchern nur schwer festhalten lassen: welche Symptome häufig gemeinsam auftreten, welche Komponentenausfälle häufig sind, worauf ein bestimmter Alarm normalerweise hinweist und wie ähnliche Probleme an anderen Produktionslinien gelöst wurden.
Für Instandhaltungsorganisationen entsteht dadurch ein potenzieller Mechanismus zur Wissenssicherung.
Erfahrene Techniker gehen irgendwann in den Ruhestand oder wechseln in andere Funktionen. Ohne eine strukturierte Methode zur Erfassung ihrer Erfahrung kann das Unternehmen praktisches Wissen zur Fehlerbehebung verlieren, selbst wenn die formale Dokumentation weiterhin verfügbar ist.
Ein KI-System kann diese Erfahrung nicht ersetzen, aber es kann eine durchsuchbare Schnittstelle zu Wissen bereitstellen, das bereits dokumentiert und strukturiert wurde.
Ein strukturierterer Ablauf für die Fehlersuche
Einer der technisch interessanten Aspekte des Systems ist die Organisation der Instandhaltungsinformationen in Symptom, Ursache und Reaktion.
Diese Struktur ähnelt der Logik, die erfahrene Instandhaltungsingenieure bereits verwenden:
- Identifizieren Sie das beobachtbare Maschinensymptom.
- Ermitteln Sie die wahrscheinlichsten Ursachen.
- Überprüfen Sie die relevante Anlage oder das relevante Signal.
- Führen Sie die geeignete Korrekturmaßnahme durch.
- Überprüfen Sie, ob die Maschine wieder den erwarteten Betriebszustand erreicht hat.
Der KI-Assistent kann außerdem Kommentare und Erfahrungen anderer Techniker zugänglich machen und Informationen zur Fehlersuche mit bestehenden Maschinenhandbüchern verknüpfen.
Aus technischer Sicht ist dieser Ansatz sinnvoller, als ein großes Sprachmodell als unabhängige Diagnoseinstanz zu betrachten. Das Modell wird zu einer Schnittstelle für kontrollierte technische Informationen und nicht zur alleinigen Quelle der Wahrheit.
Stillstandszeiten und Instandhaltungskosten reduzieren
Laut dem von Microsoft zitierten internen Tracking von Rockwell konnte der Standort in Singapur die Maschinenstillstandszeit um 33% nach der Einführung des Instandhaltungsansatzes. Die Kosten für Instandhaltung und Ersatzteile sollen sich um etwa 25%.
Diese Zahlen sollten als von Rockwell berichtete interne Ergebnisse und nicht als allgemeingültige Leistungsmaßstäbe für KI-gestützte Instandhaltung verstanden werden.
Dennoch ist der Mechanismus hinter der Verbesserung technisch nachvollziehbar. Wenn Techniker wahrscheinliche Ursachen schneller erkennen können, lassen sich unnötige Fehlersuchzyklen reduzieren. Eine schnellere Diagnose kann außerdem die Zeit verkürzen, in der Anlagen nicht verfügbar sind, und Technikern helfen, den Austausch von Komponenten ohne ausreichende Belege zu vermeiden.
Der größte Nutzen entsteht daher möglicherweise nicht durch das KI-Modell selbst, sondern durch die Verkürzung des Weges zwischen Maschinensymptom -> relevantem Wissen -> technischer Maßnahme.
KI kann auch die Lernzeit von Technikern verkürzen
Eine weitere Anwendung ist die Einarbeitung von Mitarbeitern.
Rockwell berichtet, dass Techniker, die zuvor etwa neun Monate benötigten, um bei der Fehlersuche an Hunderten von Maschinen Sicherheit zu erlangen, dieses Niveau mit Unterstützung durch KI in etwa drei Monaten erreichen können.
Dies greift eine häufige Herausforderung in der modernen Fertigung auf: Die Komplexität der Anlagen nimmt zu, während erfahrenes Wartungspersonal nicht immer in ausreichender Zahl verfügbar ist.
Für einen neuen Techniker kann ein KI-Assistent kontextbezogenen Zugriff auf Maschinendokumentation und zuvor aufgezeichnete Erfahrungen bei der Fehlersuche bieten. Dadurch entfällt nicht die Notwendigkeit praktischer Schulungen, elektrotechnischer Sicherheitskenntnisse oder anlagenspezifischer Kompetenz. Stattdessen kann sich die Zeit verkürzen, die lediglich für die Suche nach Informationen aufgewendet wird.
Der Unterschied ist wichtig. KI kann den Informationszugriff beschleunigen, ersetzt jedoch keine praktischen Diagnosefähigkeiten.
KI mit der industriellen Datenebene verbinden
Die Implementierung von Rockwell nutzt Microsoft-Azure-Technologien, darunter Azure OpenAI Service, Azure AI Search sowie die Sicherheits-, Identitäts- und Governance-Funktionen von Microsoft.
Diese Architektur veranschaulicht eine wichtige Entwicklung für industrielle KI: die Integration von Sprachmodellen mit Unternehmens- und Betriebsinformationen, anstatt sie als isolierte Chat-Anwendungen zu betreiben.
Für Wartungsanwendungen können nützliche Daten aus mehreren Quellen stammen:
- Bedienungsanleitungen der Maschinen
- Wartungsaufzeichnungen
- Alarm- und Fehlerinformationen
- Notizen der Techniker zur Fehlersuche
- Fertigungssoftware
- Anlagenhistorie
- Beobachtungen an der Produktionslinie
Die technische Herausforderung besteht daher nicht einfach in der Auswahl eines KI-Modells. Es geht darum, zuverlässige Datenquellen, Zugriffskontrollen, Informationsabruf und Governance rund um das Modell zu etablieren.
KI sollte Ingenieure unterstützen, nicht technische Sicherheitsmaßnahmen umgehen
Es gibt eine praktische Einschränkung, die nicht übersehen werden sollte.
Eine von einem KI-System generierte Wartungsempfehlung sollte nicht automatisch zu einem Maschinensteuerungsbefehl werden. Industrieanlagen können elektrische Gefahren, mechanische Energie, Prozessgefahren und sicherheitsgerichtete Funktionen umfassen.
Aus diesem Grund eignet sich die KI-gestützte Fehlersuche am besten als Entscheidungsunterstützungsebene. Der Techniker bleibt dafür verantwortlich, den physischen Zustand der Anlage zu überprüfen und etablierte Wartungs-, Lockout/Tagout- und Sicherheitsverfahren anzuwenden.
Bei kritischen Steuerungs- und Sicherheitssystemen ist die Trennung zwischen KI-generierten Informationen und deterministischer Steuerungslogik besonders wichtig.
Die KI kann dabei helfen, folgende Fragen zu beantworten:
„Was sollte ich untersuchen?“
Es sollte nicht eigenständig entscheiden:
„Diese sicherheitskritische Aktion ausführen.“
Diese Abgrenzung wird wichtig sein, wenn Hersteller von KI-gestützter Wartung zu zunehmend autonomen Betriebsabläufen übergehen.
Über die Wartung hinaus: Qualität und vorausschauender Betrieb
Das Werk in Singapur nutzt KI für mehr als nur die Wartung.
Rockwell beschreibt außerdem ein Multi-Agenten-Qualitätssystem, das Produktfehler während der Montage erkennen und beheben soll, sowie Funktionen für die vorausschauende Wartung, die Bedingungen identifizieren sollen, die zu ungeplanten Anlagenstillständen führen könnten.
Die Kombination schafft eine umfassendere industrielle Architektur:
Betriebsdaten -> KI-Analyse -> technische Erkenntnisse -> menschliche oder automatisierte Handlung -> Feedback
Dies ist bedeutender als der Einsatz eines isolierten Chatbots. Es stellt die schrittweise Integration von KI in mehrere Phasen des Produktionslebenszyklus dar.
Die Auszeichnung des Standorts in Singapur als Global-Lighthouse-Standort durch das Weltwirtschaftsforum im Juni 2026 verwies ebenfalls auf Verbesserungen wie einen Anstieg der Einheiten pro Personenstunde um 43 %, eine Verringerung der Fehler um 35 % und eine Verkürzung der Zeit bis zur Kompetenz um 67 %.
Diese Ergebnisse umfassen mehrere Technologien und betriebliche Veränderungen und sollten daher nicht ausschließlich dem Wartungs-Copiloten zugeschrieben werden.
Meine Einschätzung aus technischer Sicht: Datenqualität ist die eigentliche Grundlage
Die wichtigste Erkenntnis aus diesem Projekt ist nicht die Wahl des GPT-Modells.
Bei industrieller KI sind die zugrunde liegenden technischen Daten meist wichtiger als die dialogorientierte Benutzeroberfläche. Wenn Wartungsaufzeichnungen unvollständig, Maschinendokumentationen veraltet oder Kenntnisse zur Fehlerbehebung schlecht strukturiert sind, wird ein ausgefeilteres Modell nicht automatisch bessere Wartungsentscheidungen hervorbringen.
Eine erfolgreiche Implementierung erfordert daher mehrere Grundlagen:
- Genaue Informationen zu Geräten und Anlagen
- Konsistente Aufzeichnungen zu Störungen und Wartung
- Strukturiertes technisches Wissen
- Klare Zuständigkeit für Informationen
- Geeignete Cybersicherheitskontrollen
- Rollenbasierter Zugriff
- Menschliche Validierung von Empfehlungen
- Feedbackmechanismen zur Korrektur falscher Informationen
Mit anderen Worten: KI macht die Qualität der industriellen Wissensbasis eines Unternehmens sichtbar. Unternehmen, die jahrelang saubere Anlagendaten und sorgfältig geführte Wartungsaufzeichnungen gepflegt haben, verfügen wahrscheinlich über eine stärkere Grundlage für die Einführung industrieller KI.
Von individuellem Fachwissen zu organisatorischem Wissen
Der tiefere Wert von Rockwells Ansatz liegt in dem Versuch, die individuelle Erfahrung von Technikern in organisatorisches Wissen umzuwandeln.
Ein sehr erfahrener Ingenieur erkennt ein Fehlermuster möglicherweise innerhalb von Minuten, weil er ihm schon viele Male begegnet ist. Ein neuerer Techniker benötigt möglicherweise Stunden, um zu derselben Schlussfolgerung zu gelangen.
Wenn diese Erfahrung dokumentiert, indexiert und am Ort des Bedarfs bereitgestellt werden kann, wird die Organisation weniger abhängig von einer kleinen Anzahl von Einzelpersonen.
Dadurch werden erfahrene Ingenieure nicht weniger wichtig. Im Gegenteil: Ihr Wissen wird noch wertvoller, weil es erfasst und in einer deutlich größeren Technikerpopulation wiederverwendet werden kann.
Von einem Werk zum weltweiten Betrieb skalieren
Rockwell plant, den Wartungs-Copiloten auf Produktionsstandorte in Twinsburg, Ohio, sowie in Polen und Mexiko auszuweiten.
Die Skalierung einer industriellen KI-Anwendung von einem Werk auf mehrere Standorte wird zusätzliche technische Herausforderungen mit sich bringen. Maschinen, Verfahren, Sprachen, Wartungspraktiken und historische Datensätze können sich zwischen den Standorten unterscheiden.
Ein weltweit skalierbares System benötigt daher eine gemeinsame Architektur und muss gleichzeitig standortspezifisches Wissen ermöglichen.
Hier können cloudbasierte Daten-, Identitäts-, Sicherheits- und KI-Dienste einen Vorteil bieten, vorausgesetzt, die zugrunde liegenden Betriebsdaten werden weiterhin ordnungsgemäß verwaltet.
Die nächste Stufe der industriellen Wartung
Der Einsatz in Singapur veranschaulicht einen umfassenderen Wandel in der industriellen Automatisierung.
Frühere Generationen der Digitalisierung konzentrierten sich stark auf das Erfassen von Maschinendaten. Die nächste Stufe konzentriert sich zunehmend darauf, diese Daten für Menschen nutzbar zu machen, die physische Anlagen diagnostizieren, warten und bedienen müssen.
Die praktischsten industriellen KI-Systeme werden wahrscheinlich nicht allein deshalb erfolgreich sein, weil sie überzeugende Antworten generieren können. Sie werden erfolgreich sein, wenn sie reale Maschinenbedingungen mit vertrauenswürdigen technischen Informationen und einem geeigneten menschlichen Arbeitsablauf verbinden können.
Für Wartungsteams könnte das weniger Zeit für die Suche in Handbüchern, schnelleren Zugriff auf bewährte Verfahren zur Fehlerbehebung und einen einheitlicheren Umgang mit wiederkehrenden Störungen bedeuten.
Die längerfristige Chance ist noch umfassender: technisches Wissen zu bewahren, die Entwicklung der Belegschaft zu beschleunigen und KI als zusätzliche Informationsebene rund um bestehende SPS-, DCS-, SCADA-, MES- und Wartungssysteme einzusetzen.
