Wie sich KI in der OT entwickelt — und worauf du achten solltest

Künstliche Intelligenz hält in der Operational Technology (OT) Einzug — aber anders als in der reinen IT. Wer Maschinen, Anlagen und Prozesse steuert, kann sich keine undurchschaubare Black-Box leisten. Hier ein Überblick, wohin sich KI in der OT entwickelt und worauf es in der Praxis ankommt.

Von der Cloud an den Netzrand

Lange lief Datenanalyse zentral in der Cloud: Sensordaten wurden gesammelt, hochgeladen und im Nachhinein ausgewertet. Heute wandert die Intelligenz an den Netzrand — die Inferenz läuft direkt an der Maschine oder Steuerung. Die Gründe sind handfest: geringere Latenz, weniger Bandbreitenbedarf, Verfügbarkeit auch ohne Cloud-Anbindung und mehr Datensouveränität.

Parallel kommen generative Modelle und Sprachmodelle (LLMs) als Assistenz hinzu — für Engineering, Fehlersuche und Dokumentation. Das ist nützlich, sollte aber klar getrennt bleiben von allem, was in die Steuerung eingreift.

Was KI in der OT heute leistet

Vorausschauende Wartung. Aus Schwingungs-, Temperatur- und Stromdaten werden Ausfälle erkannt, bevor sie passieren — geplante Stillstände statt teurer Notfälle.

Anomalieerkennung. Modelle lernen den Normalbetrieb und melden Abweichungen, die in klassischen Schwellwerten untergehen.

Visuelle Qualitätsprüfung. Kameras plus Bildmodelle erkennen Fehler in Echtzeit direkt in der Linie.

Prozessoptimierung. KI schlägt bessere Parameter (Energie, Ausschuss, Durchsatz) vor — als Empfehlung, nicht als ungeprüfter Eingriff.

Assistenz für das Bedienpersonal. Sprachmodelle fassen Handbücher, Alarme und Historie zusammen und beschleunigen die Fehlersuche.

Der typische Ablauf: Edge-Inferenz mit Mensch in der Schleife

In der Praxis trennt man zwei Pfade. Der Echtzeit-Pfad verarbeitet Messwerte am Edge, berechnet einen Score (z. B. Anomalie-Wahrscheinlichkeit) und legt das Ergebnis dem Operator vor. Der Lern-Pfad läuft offline: Betriebsdaten fliessen in Training und Validierung, und nur ein geprüftes, versioniertes Modell geht zurück an die Edge.

Das entscheidende Element ist das Gate vor der Aktion: Die KI liefert eine Empfehlung — die Freigabe oder das Übersteuern bleibt beim Menschen oder einer deterministischen Logik.

Worauf du achten solltest

Der Reiz von KI in der OT ist gross, die Stolperfallen sind es auch. Diese sechs Leitplanken haben sich bewährt:

Safety vor Autonomie. Die KI berät; die sicherheitsgerichtete Funktion (Not-Halt, SIL) bleibt deterministisch und unabhängig.

Security by Design. KI vergrössert die Angriffsfläche (Data- und Model-Poisoning, manipulierte Eingaben). Segmentierung und IEC 62443 gehören von Anfang an dazu.

Datenqualität & Drift. OT-Daten sind verrauscht und ändern sich, wenn sich der Prozess ändert. Modelle driften — Monitoring und Re-Training müssen eingeplant sein.

Erklärbarkeit & Vertrauen. Operatoren müssen nachvollziehen können, warum ein Modell etwas meldet — und es jederzeit übersteuern dürfen.

Lifecycle. OT-Anlagen leben 15 Jahre und länger. Wer wartet das Modell, wer versioniert, wer trägt die Verantwortung?

Mensch in der Schleife. KI augmentiert, sie ersetzt nicht. Ohne Change-Management und Schulung bleibt der beste Algorithmus ungenutzt.

Fazit

Fang klein an: erst beratend, mit messbarem Nutzen, mit dem Menschen in der Schleife. Behandle Security und Lifecycle vom ersten Tag an als Teil des Systems — nicht als Nachgedanken. Dann wird KI in der OT zu dem, was sie sein sollte: ein verlässliches Werkzeug, das Anlagen sicherer, effizienter und vorausschauender macht.