Der Wendepunkt für industrielle KI: Von der Analyse zum Handeln
Auf der Hannover Messe 2026 hat sich die Diskussion rund um industrielle KI gewandelt. Immer mehr Systeme auf der Messe demonstrierten KI-gesteuerte Wahrnehmung, Entscheidungsfindung und adaptive Steuerung anstelle der bisherigen reinen Automatisierung. Wie Siemens und andere Branchenführer betonen, liegt der wahre Wert der KI nicht in der Analyse in der Cloud. Er liegt vielmehr in der Fähigkeit zur Entscheidungsfindung in Echtzeit, die direkt in der Produktion zum Tragen kommt.
Die industrielle KI durchläuft derzeit einen Richtungswechsel: von der Datenanalyse im Backoffice hin zu Entscheidungen in Echtzeit an der Produktionslinie, vom “Beobachter” zum “aktiven Teilnehmer”. Die treibende Kraft hinter diesem Wandel ist Edge-KI – die Verlagerung der KI-Inferenz von Cloud-Rechenzentren in die Fertigung, wo sie Echtzeitanalysen und Entscheidungsfindungen mit geringerer Latenz und höherer Zuverlässigkeit durchführen kann.
Marktdaten untermauern dies. Laut QYResearch belief sich der weltweite Markt für KI-Edge-Controller im Jahr 2025 auf rund 377 Millionen US-Dollar und wird bis 2032 voraussichtlich 1,843 Milliarden US-Dollar erreichen, bei einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von 25,81 TP5T. Die breiteren Märkte für Edge-Computing und industrielle KI wachsen weiterhin stetig, und der Schwerpunkt des industriellen Computing verlagert sich von der Cloud hin in die Fertigung.
Doch hier liegt die Lücke. Gartner prognostiziert, dass bis 2026 60% KI-Projekte aufgrund fehlender “KI-fähiger Daten” aufgegeben werden. Rob McGreevy, Chief Product Officer bei AVEVA, brachte es auf den Punkt: Die größte Herausforderung für Industrieunternehmen sind nicht die Algorithmen – es ist die Infrastruktur. Betriebsdaten, Konstruktionsdaten, Arbeitsabläufe und Compliance-Rahmenbedingungen sind selten systematisch integriert, was den Ausbau des KI-Einsatzes erschwert. Mit anderen Worten: An Algorithmen mangelt es der KI nicht. Was fehlt, ist der Datenpfad, der diese Algorithmen mit der Fertigungsebene verbindet.
IT/OT-Integration: Die letzte Meile für industrielle KI
Das größte Hindernis für die Einführung von KI in der Industrie ist im Kern die seit langem bestehende Kluft zwischen IT (Informationstechnologie) und OT (Betriebstechnologie).
OT umfasst die physischen Steuerungssysteme in der Produktionslinie – SPSen, Sensoren, Aktoren und Roboter –, die einen deterministischen Betrieb gewährleisten. OT-Daten sind über ein breites Spektrum heterogener Geräteökosysteme verstreut. Die IT hingegen betreibt MES-, ERP- und Cloud-Plattformen sowie KI-Modellsysteme, verarbeitet riesige Datensätze und treibt Entscheidungen auf hoher Ebene voran. Das Problem besteht darin, dass diese beiden Welten nach grundlegend unterschiedlichen Prioritäten funktionieren: OT erfordert Determinismus und Zuverlässigkeit, während IT Flexibilität und Skalierbarkeit verlangt. Infolgedessen haben die KI-Modelle und Datenanalysen auf der IT-Seite Schwierigkeiten, direkt in die Produktion zu gelangen und in Echtzeit einen Mehrwert zu liefern.
Industrielles Edge-Computing spielt eine entscheidende Brückenfunktion bei der IT/OT-Integration – es verbindet OT-Geräte mit IT-Anwendungen, sodass Felddaten erfasst, lokal verarbeitet und in intelligente Entscheidungen umgewandelt werden können. Durch lokale Rechenleistung, sicheren Datenaustausch und Zusammenarbeit in der Cloud schafft es einen lückenlosen Weg von den Feldgeräten bis hin zur intelligenten Entscheidungsfindung.
Warum Edge-KI wichtig ist: Von Cloud-KI zu Intelligenz vor Ort
Herkömmliche KI-Anwendungen basieren in der Regel auf Cloud-Computing. Der Arbeitsablauf ist einfach: Das Gerät erfasst Daten → lädt sie in die Cloud hoch → das KI-Modell analysiert sie → gibt Ergebnisse zurück. Dieses Modell eignet sich gut für Szenarien mit großen Datenmengen und geringen Echtzeitanforderungen. In industriellen Umgebungen steht die KI jedoch vor ganz anderen Herausforderungen.
Edge-KI löst dieses Problem, indem sie KI-Inferenz am Netzwerkrand einsetzt – wodurch Rechen- und Inferenzkapazitäten näher an die Geräte und Datenquellen herangeführt werden und KI von einem “Cloud-basierten Analysetool” zu “Echtzeit-Intelligenz vor Ort” wird.”
Es löst drei zentrale Herausforderungen in industriellen Anwendungsbereichen:
1. Geringere Latenz
Anwendungen in den Bereichen industrielle Bildverarbeitung, Qualitätsprüfung und Bewegungssteuerung erfordern in der Regel Reaktionszeiten im Millisekundenbereich. Mit Edge-KI werden die Daten direkt in der Nähe der Anlage analysiert, ohne dass ein Hin- und Rückweg zur Cloud erforderlich ist. Dadurch werden die Reaktionszeiten erheblich verkürzt und die KI kann direkt in die Entscheidungen vor Ort einbezogen werden. Bis ein in der Cloud verarbeitetes Ergebnis zurückkommt, ist das Produkt möglicherweise bereits zum nächsten Prozessschritt übergegangen.
2. Zuverlässiger Betrieb
Industrielle Netzwerkumgebungen sind nicht immer stabil. WLAN-Signale können durch Metallkonstruktionen gestört werden, die 4G/5G-Abdeckung kann unzureichend sein, und Netzwerk-Switches fallen gelegentlich aus. Dank Edge-KI können kritische KI-Anwendungen lokal weiterlaufen – selbst wenn die Cloud-Verbindung vorübergehend unterbrochen ist –, sodass zentrale Produktionsprozesse ohne Unterbrechung aufrechterhalten werden.
3. Datensicherheit
Fertigungsunternehmen verfügen über wichtige Anlagendaten, darunter Prozessparameter, Anlagenstatus und Ergebnisse von Qualitätsprüfungen. Durch die lokale KI-Verarbeitung müssen die Rohdaten nicht vollständig in die Cloud hochgeladen werden. Unternehmen können sensible Daten vor Ort behalten und nur die erforderlichen Analyseergebnisse an übergeordnete Systeme übermitteln, wodurch Sicherheits- und Compliance-Risiken erheblich reduziert werden.
Für industrielle KI-Anwendungen ist Edge-KI nicht einfach nur eine “bessere Option” – sie ist der gangbare Weg in die Zukunft. Es handelt sich um eine grundlegende Architektur, die es der KI ermöglicht, sich wirklich an die Anforderungen industrieller Umgebungen hinsichtlich Echtzeitfähigkeit, Zuverlässigkeit und Sicherheit anzupassen.
Industrielles Edge-Computing: Die Rechenebene vor Ort für industrielle KI-Anwendungen
Da KI zunehmend aus der Cloud in die Fertigung gelangt, benötigen Unternehmen mehr als nur KI-Modelle. Sie benötigen eine Edge-Computing-Plattform, die sich mit Anlagen verbinden, Daten verarbeiten und KI-Anwendungen ausführen kann.
EC700 zeigt, wie diese Funktionen in eine einzige industrielle Edge-AI-Plattform integriert werden können. Dabei geht es nicht darum, SPSen zu ersetzen, sondern eine neue intelligente Rechenebene an der Schnittstelle zwischen IT und OT zu etablieren.
Während SPSen die Echtzeitsteuerung übernehmen, erfüllt diese Plattform die neuen Rechenanforderungen des Zeitalters der industriellen KI: Sie ermöglicht es, Daten von Industriegeräten vor Ort zu erfassen, zu verarbeiten und in KI-Inferenzprozesse einzuspeisen, und bildet damit die Edge-Computing-Grundlage für industrielle KI-Anwendungen. Früher war hierfür eine Kombination aus industriellen Gateways, Industrie-PCs sowie Server- oder Cloud-Computing-Ressourcen erforderlich. Heute lassen sich diese Funktionen in einem einzigen Edge-Intelligence-Knoten bündeln.
1. Der Wert einer Open-Source-ARM-Plattform
Ein entscheidendes Unterscheidungsmerkmal ist die Software-Ebene. Im Gegensatz zu herkömmlichen, geschlossenen Industriegeräten, die Nutzer an Firmware mit festen Funktionen binden, bietet eine Open-Source-ARM-Linux-Plattform Entwicklern die Freiheit, ihre eigenen KI-Modelle, Industrieanwendungen und Containerdienste entsprechend den Projektanforderungen einzusetzen. Für industrielle Szenarien, in denen sich Anforderungen weiterentwickeln, Protokolle aktualisiert werden und Modelle iteriert werden, ist diese Offenheit entscheidend – die Plattform kann sich im Laufe der Zeit anpassen, anstatt bei veränderten Anforderungen ersetzt werden zu müssen.
2. Was „skalierbares KI-Computing“ eigentlich bedeutet
Auf Hardware-Ebene basiert die Plattform auf dem industrietauglichen ARM-Prozessor RK3588J mit integrierter NPU, die grundlegende Aufgaben der visuellen Inspektion, Klassifizierung und Segmentierung übernimmt. Über die Funktionen eines herkömmlichen Industrie-PCs bei der Datenerfassung und dem Hosting von Anwendungen hinaus bietet sie lokale KI-Inferenz – wodurch visuelle Analysen, Anwendungen mit großen Modellen und intelligente Entscheidungen direkt am Geräte-Edge ausgeführt werden können.
Über zwei M.2-PCIe-Schnittstellen für KI-Beschleunigermodule lässt sich die Rechenleistung von 6 TOPS auf 320 TOPS skalieren. Diese skalierbare Architektur ermöglicht es Unternehmen, die Rechenkapazität schrittweise zu erweitern, wenn die Komplexität der KI-Anwendungen zunimmt – ohne ein gesamtes Hardwaresystem neu bereitstellen zu müssen. Viele Produktionslinien führen KI schrittweise ein: Sie beginnen mit einem Pilotprojekt zur visuellen Fehlererkennung und skalieren dann auf komplexere Modelle, sobald die Ergebnisse validiert sind. Eine einzige Geräte- und Softwareumgebung, die beide Phasen abdeckt, ist genau das, was Produktionsteams tatsächlich benötigen.
3. Einsatz großer Modelle in der Produktion
Die Plattform unterstützt den Einsatz großer Sprachmodelle (LLMs) und Bild-Sprach-Modelle (VLMs) im Parameterbereich von 1,5 Mrd. bis 35 Mrd., darunter Gemma, Llama und Qwen, mittels containerisierter Bereitstellung über Docker. KI-Modelle, industrielle Anwendungen und Servicekomponenten können unabhängig voneinander ausgeführt und schnell iteriert werden. Zu den praktischen Anwendungsfällen zählen KI-Anlagenassistenten, Q&A zu industriellem Wissen, Wartungsunterstützung sowie multimodale Bild- und Sprachanalysen – damit wird intelligente Unterstützung auf Basis von Anlagendaten und unternehmensinternen Wissensdatenbanken in die Fertigung gebracht, die über die traditionelle Automatisierungslogik hinausgeht.
Wenn beispielsweise eine Maschine an der Produktionslinie einen Alarm auslöst, können Ingenieure mithilfe eines KI-Assistenten vor Ort schnell auf Referenzen zur Fehleranalyse und Empfehlungen zur Behebung des Problems zugreifen, die auf den Maschinendaten und Wissensdatenbanken basieren – anstatt darauf zu warten, dass die Daten in die Cloud hochgeladen und die Ergebnisse zurückgesendet werden. Das ist Edge-KI-Inferenz in der Praxis in der Fertigung.
4. Protokollkonnektivität und Datenpipeline
Was das Software-Ökosystem betrifft, unterstützt die Plattform Node-RED 4.0 für die visuelle Ablaufsteuerung, NeuronEX für den Zugriff auf industrielle Protokolle und die Datenerfassung sowie FUXA für die webbasierte SCADA-Überwachung und -Visualisierung. Durch die Unterstützung zahlreicher industrieller Protokolle und Geräteverbindungen kann sie mit verschiedenen Arten von Feldgeräten verbunden werden, um eine einheitliche Datenerfassung zu ermöglichen, und anschließend über MQTT, HTTP und andere industrielle IoT-Schnittstellen eine Verbindung zu MES- oder Cloud-Plattformen herstellen. Die gesamte Pipeline ist ein geschlossener Regelkreis: Feldgeräte → Datenerfassung → Edge-Verarbeitung → KI-Analyse → Visualisierung → Cloud-Systeme.
5. Für industrielle Umgebungen konzipiert
Auf der Hardware-Seite verfügt der EC700 über eine lüfterlose passive Kühlung mit einem Gehäuse aus einer Aluminiumlegierung und großen Kühlrippen, einen Betriebsbereich von -20 °C bis 70 °C sowie eine optoelektronische Isolierung und einen Überspannungsschutz auf der E/A-Seite. Das sind zwar keine spektakulären technischen Daten, aber genau das, was Anlagen in der Fertigungslinie brauchen: einfach anschließen und laufen lassen.
Wie geht es weiter?
In der nächsten Phase der industriellen KI geht es nicht darum, noch mehr Daten in die Cloud zu verlagern. Vielmehr geht es darum, die Intelligenz näher an den Ort zu bringen, an dem die Daten entstehen. Geräte entwickeln sich von “Datenquellen” zu “intelligenten Knotenpunkten”, die dank Edge-KI in der Lage sind, in Echtzeit zu erfassen, zu analysieren und Entscheidungen zu treffen.
Industrielle Edge-AI-Computing-Plattformen wie die EC700 entwickeln sich zu einer unverzichtbaren Infrastruktur für die IT/OT-Integration – sie verbinden Industrieanlagen, führen KI-Modelle aus und ermöglichen vor Ort intelligente Entscheidungen für die „Smart Manufacturing“. Bei der Zukunft der Fertigung geht es nicht darum, mehr Daten aus den Anlagen zu generieren. Es geht vielmehr darum, sicherzustellen, dass diese Daten verstanden, verarbeitet und in Echtzeitmaßnahmen umgesetzt werden – am richtigen Ort und zur richtigen Zeit.
