Bd. 68 Nr. 5 (2026): atp magazin 5/2026
Yeehaw!
Wann nimmt uns KI auf die Hörner? Das atp magazin hat sich eigentlich abgewöhnt, auf dem Titel Fragen zu stellen, denn schließlich wollen wir lieber Antworten liefern. Gerade wenn es um KI geht, wird das aber aktuell schwierig bis unmöglich. Zu schnell entwickeln sich die Technologien, verändern sich die Fähigkeiten und damit auch die Potenziale von LLM sowie der darauf aufbauenden Agentic oder Physical AI.
Zeit also für eine Momentaufnahme, bevor uns die KI womöglich schmerzhaft abwirft. „Wir brauchen bei KI Klarheit und nicht nur Begeisterung“, erklärt Henry Bloch von AUCOTEC im Interview passend. Also: was kann KI heute schon in industriellen Umgebungen wie z. B. der Prozessindustrie leisten? Wo liegen die Grenzen?
Das atp magazin 5/2026 liefert Antworten auf diese drängenden Fragen und zeigt, wie Sie den buckelnden Bullen namens KI beherrschen lernen. In diesem Sinne: Yeehaw!
Das Interview-Highlight:
„KI im Engineering braucht Klarheit – nicht nur Begeisterung“
Künstliche Intelligenz (KI) beschleunigt das Engineering von Automatisierungssystemen spürbar, vor allem dort, wo große Datenmengen, repetitive Aufgaben und aufwendige Dokumentationsprozesse zusammentreffen. Dr. Henry Bloch (Head of Product Management bei AUCOTEC) erklärt im Interview, warum KI im Brownfield bereits heute echten Mehrwert liefert, wo ihr Einsatz im Greenfield an Grenzen stößt und weshalb strukturierte Daten, klare Regeln und der Mensch entscheidend bleiben.
Die peer-reviewten Hauptbeiträge
„Wie kommen vorhandene Daten in die AAS?“
Data Mapping Framework for the Asset Administration Shell
Die Verwaltungsschale (AAS) ist der Schlüssel zu Industrie 4.0. Die Umsetzung stellt viele Anwender aber weiter vor große Herausforderungen, denn die AAS muss zunächst mit Daten gefüllt werden. Diese Daten sind zwar oft vorhanden, aber in unterschiedlichen Systemen mit ihren jeweils eigenen Datenstrukturen abgelegt. Die Übertragung dieses Datenschatzes in die AAS bedeutet einen hohen manuellen Aufwand. Der vorliegende Beitrag schlägt zur Entlastung ein automatisiertes Framework für semantisches Daten-Mapping vor, das auf das Metamodell der AAS abzielt, wobei große Sprachmodelle (LLMs) im Rahmen eines Zero-Shot-Lernparadigmas eingesetzt werden, um Integrationsregeln zum Zeitpunkt der Inferenz zu generieren.
„Wie lehren wir, richtig mit generativer KI umzugehen?“
Wie bilden wir zukünftig aus?
Generative KI gewinnt – wie auch die anderen Beiträge in dieser Ausgabe zeigen – zunehmend an Bedeutung in der Automatisierungstechnik. Sie wird zukünftig gut ausgebildete Menschen nicht ersetzen, aber ihnen als ein weiteres Werkzeug zur Verfügung stehen. Deshalb ist es wichtig schon im Studium nicht nur den Umgang mit den Systemen zu üben, sondern auch grundlegende Kenntnisse über ihre Funktionsweise und Möglichkeiten aber insbesondere auch ihre Grenzen und Schwächen zu erwerben. Aber wie kann das in diesem hochdynamischen Themenfeld im Rahmen oft sehr starrer Studienordnungen und Rahmenbedingungen gelingen. Der vorliegende Beitrag zeigt beispielhaft, wie die Ausbildung zur Nutzung von LLMs durch Integration von „Forschendem Lernen“ in bestehende Lehrveranstaltungen gelingen kann.
„Wie kommen wir zu intelligenten Anlagen?“
Agentisierung der Automatisierung
KI-Agenten sind in aller Munde und werden als der nächste große Schritt zur Anwendung der künstlichen
Intelligenz gesehen. Aber gilt das auch für industrielle Anwendungen? Die Voraussetzungen scheinen gerade in der Prozessindustrie sehr gut, denn KI-Agenten arbeiten auf Daten und diese sind durch moderne Instrumentierung und digitale Dokumentation reichlich vorhanden. Der Beitrag zeigt auf, dass dieses Potenzial zur „Agentisierung der Automatisierung“ gehoben werden kann. Mit den beschriebenen Ansätzen wird der schrittweise Weg zur autonomen Anlage aufgezeigt.
„Wie kann ich das Wissen aus Prozessbeschreibungen automatisiert nutzbar machen?“
Process Control Narrative Miner
In der Prozessindustrie ist erhebliches Fachwissen in textbasierten Prozessbeschreibungen (Process Control Narratives, PCN) hinterlegt. In der Automatisierungstechnik stellt die Umwandlung dieser unstrukturierten technischen Spezifikationen in strukturierte, maschinenlesbare Formate, die von Engineering-Tools genutzt werden können, eine große Herausforderung dar. In diesem Beitrag wird ein KI-basiertes Framework vorgestellt, dass diesen Schritt unterstützt. Anhand von zwei industriellen PCNs wird der Ansatz praxisnah illustriert.
