iosys - KI-Architektur für Fertigungs-KMU: die vier Ebenen

Ein KI-Projekt in der Fertigung scheitert selten am Modell. Es scheitert an dem, was unter dem Modell liegt. Dieser Beitrag beschreibt die vier Ebenen, die wir bei Fertigungs-KMU bauen, und warum die KI zuletzt kommt.

Kernpunkte

Drei der vier Ebenen sind keine KI.
Das Modell liest ausschliesslich berechnete Fakten.
Ein Lesespiegel nimmt Last vom ERP und friert Stände ein.
Stammdaten sind Eintrittsbedingung, nicht Nebensache.
Der grösste Teil des Nutzens entsteht in der Faktenschicht.
Eine Korrektur wird zur Regel in der Faktenschicht.
Die Rückkopplung läuft in zwei Richtungen.
Die Reihenfolge entscheidet über den Nutzen.

Wo Halluzinationen verhindert werden

Die Sorge vor erfundenen Antworten ist der häufigste Einwand, den wir hören. Sie ist berechtigt, und sie wird meist an der falschen Stelle behandelt. Ein Sprachmodell erfindet dort, wo es raten muss.

WAS DAS SPRACHMODELL ZU SEHEN BEKOMMTNicht die Rohdatenauftrag_pos, 46 Spaltenbde_meldung, Rohwerteartikel_stamm, SchemabaumVerknüpfungen ungeprüftSondern berechnete FaktenRüstzeit Linie 3: plus 18 ProzentFehlteil 44-A trifft zwei AufträgeTermin 12.08. ist gefährdetWas sich fest beschreiben lässt, ist entschieden, bevor das Modell liest.

Also muss es nichts raten. Es sieht keine Tabellen, keine Rohwerte, keinen Schemabaum. Vor ihm liegt eine kurze Liste vorher berechneter Aussagen, aus der es eine Antwort formuliert. Alles, was sich fest beschreiben lässt, ist zu diesem Zeitpunkt bereits entschieden.

Daraus folgt die Bauform. Vier Ebenen, in dieser Reihenfolge gebaut, und die KI ist die dritte.

VIER EBENEN, IN DIESER REIHENFOLGE GEBAUTQuelle und SpiegelERP und BDE, Kopie nur zum LesenERP, Data Lake, StammdatenFaktenschichtAbfragen und Regeln, deterministischKPI Engine, Business Rules, Root CauseErklären und priorisierenliest ausschliesslich die FaktenschichtLLM Reasoning, Recommendation, ActionArbeitsplatzERP-Maske, Teams, eine ListeDashboards, Alerts, Aktionspläne↩ Rückkopplung: Arbeitsplatz zur FaktenschichtDer Widerspruch aus der Praxis wird zur Regel in Ebene 2, nicht zum Beispiel für Ebene 3.

Ebene 1: Quelle und Spiegel

In Produktarchitekturen heisst das: ERP, Data Lake, Stammdaten und Referenzdaten.

Die Daten stammen aus dem ERP und aus der Betriebsdatenerfassung. Dazwischen gehört eine Kopie, die nur gelesen wird. Ein solcher Lesespiegel klingt nach Beiwerk und erledigt vier Aufgaben gleichzeitig.

Er nimmt die Abfragelast vom ERP, damit Kennzahlenrechnung und Auftragserfassung nicht um denselben Server konkurrieren. Er friert Stände ein, denn eine Kennzahl, die sich während des Lesens verschiebt, lässt sich nicht prüfen. Er bewahrt Verläufe, die das ERP im Datensatz überschreibt. Und er ist der Ort, an dem Maschinendaten neben Auftragsdaten liegen können.

WAS DER LESESPIEGEL LEISTETLast weg vom ERPKennzahlenrechnung und Auftragserfassung teilen sich keinen Server mehr.Stände eingefrorenEine Kennzahl verschiebt sich nicht mehr, während sie gelesen wird.Verlauf bleibt erhaltenDas ERP überschreibt im Datensatz. Der Spiegel behält die Historie.Ein Ort für beidesMaschinendaten liegen neben Auftragsdaten, ohne Umweg über das ERP.Eine Replik und einige Sichten. Tage statt Quartale, kein semantisches Modell.

Das ist der Kern eines Data Lake ohne dessen Projektgrösse. Kein semantisches Modell, kein Governance-Programm, keine Roadmap. Eine lesende Kopie und einige Sichten, in Tagen statt in Quartalen. Gefährlich wird der Spiegel erst, wenn er einen Projektnamen bekommt.

Die Schweizer Fachzeitschrift Aktuelle Technik nennt ein solches Datenfundament als Voraussetzung, um agentenbasierte Architekturen zu skalieren (Quellen). Das deckt sich mit unserer Erfahrung. Für ein KMU ist allein die Grösse strittig.

Stammdaten werden in solchen Projekten häufig nachrangig behandelt. Sie sind die Eintrittsbedingung. Ohne sauberen Artikel- und Lieferantenstamm rechnet die nächste Ebene zuverlässig das Falsche.

Ebene 2: die Faktenschicht

In Produktarchitekturen heisst das: KPI Engine, Business Rules Engine, Root Cause Engine.

Diese drei Bausteine erfüllen dieselbe Grundfunktion. Sie machen aus Daten Aussagen: Kennzahlen, verletzte Schwellwerte, wahrscheinliche Ursachen. Technisch sind das Abfragen und Regeln, deterministisch und nachlesbar.

Hier liegt der grösste Teil des Nutzens, und hier arbeitet keine KI. Wer eine belastbare Ursachenanalyse besitzt, hat den teuren Teil bereits gelöst. Diese Ebene muss prüfbar bleiben, sonst trägt die ganze Argumentation gegen Halluzinationen nicht. Determinismus ist hier die Anforderung und kein Nebeneffekt.

Wie eine solche Schicht auf Maschinendaten aussieht, beschreibt Fragen Sie Ihre Maschinen.

Ebene 3: erklären und priorisieren

In Produktarchitekturen heisst das: LLM Reasoning Agent, Recommendation Agent, Action Agent.

Das Sprachmodell erhält genau eine Aufgabe. Es liest die Ergebnisse der Faktenschicht und sagt, welche drei von vierzig Befunden heute zählen und warum. Über alles, was Ebene zwei nicht berechnet hat, darf es nicht sprechen.

Dass ein solcher Zugang eine eigene Wissensebene zu den Daten braucht, ist auch Gegenstand institutioneller Forschung. Das Fraunhofer IPA nennt im Projekt ViPGeniE eine Kontextschicht als Anforderung, damit sich Fragen zu Produktionsdaten beantworten lassen.

Diese Aufteilung zwischen Modell und festen Werkzeugen beschreibt KI-Agenten im Auftragseingang im Detail, dort für die Extraktion aus Bestellungen. Ob ein KI-Agent am Ende selbst handelt, ist eine Frage der Freigabe. Wo diese Grenze verläuft, wird vorher festgelegt.

Ebene 4: der Arbeitsplatz

In Produktarchitekturen heisst das: Dashboards, Alerts, Empfehlungen, Aktionspläne.

Der letzte Schritt entscheidet, ob die drei vorherigen im Alltag ankommen. Ein weiteres Dashboard bedeutet eine weitere Anmeldung. Die Ausgabe gehört dorthin, wo ohnehin gearbeitet wird: in die ERP-Maske, in Teams, in eine einzige Liste.

Bei einem Schweizer CNC-Lohnfertiger sank die Auftragserfassung von 20 auf 2 Stunden pro Woche (Fallstudie). Der Gewinn lag darin, dass das Ergebnis ohne Umweg im ERP ankam. Wie der Einstieg in solche Projekte aussieht, beschreibt Wie kommt KI in der Fertigung in die Gänge?.

Die Rückkopplung läuft rückwärts

Üblicherweise sammelt ein Speicher Ergebnisse, aus denen später ein Modell lernt. Das setzt Datenmengen voraus, die ein Betrieb mit vierzig Nutzenden nicht erreicht.

Die Schleife lässt sich umdrehen. Widerspricht jemand einer Empfehlung, wird daraus eine Regel in der Faktenschicht. Bei jeder Korrektur übernimmt das Modell weniger Arbeit, und das System wird über die Zeit weniger KI-lastig.

Wir setzen das seit Februar 2026 für unseren eigenen Posteingang ein. Die Regeln liegen in einer lesbaren Datei, jede Änderung ist datiert, und eine Regel kann ein Ablaufdatum haben. Eine einzelne Korrektur genügt, ein Trainingsdatensatz wird nicht gebraucht.

DIE SCHLEIFE HAT ZWEI RICHTUNGENKorrektur an der Lesegenauigkeit wird zum Beispiel Ebene 3, das Modelltalk.factorIQ und der Auftragseingang lernen so pro Absender.Korrektur an einer Entscheidung wird zur Regel Ebene 2, die FaktenschichtJede Korrektur nimmt dem Modell einen Entscheid ab.

Warum die Reihenfolge zählt

Zuerst der Spiegel und die Stammdaten, dann die Faktenschicht, dann die Ausgabe. Das Sprachmodell kommt zuletzt, auf einer Faktenbasis, die sich unabhängig prüfen lässt.

Nach den ersten beiden Ebenen steht bereits ein nützliches und prüfbares System. Die verbleibenden Risiken liegen dann in den Daten und den Regeln. Wer umgekehrt beginnt, baut die Oberfläche eines Systems, das noch nichts weiss. Welche KI-Kategorien sich danach rechnen, ordnet Welche KI-Tools lohnen sich für Fertigungs-KMU? ein.

Fazit

Drei der vier Ebenen sind klassische Datenarbeit, und dort entsteht der grösste Teil des Nutzens. Die KI kommt an einer eng begrenzten Stelle zum Einsatz, mit einer klaren Aufgabe und ohne Zugriff auf Rohdaten. Genau daraus entsteht ein System, das sich gegenüber einer Fertigungsleitung belegen lässt.

Wir bauen solche Abläufe auf Ihr bestehendes ERP auf, ohne Systemwechsel, auf Wunsch On-Premises in der Schweiz oder in der EU. Vereinbaren Sie ein unverbindliches Gespräch, wenn Sie Ihre Ebenen einmal sortieren möchten.

Mehr dazu: KI-Agenten für die Fertigung und automatisierte Auftragsabwicklung.

Quellen

Fraunhofer IPA, ViPGeniE: KI für Maschinendaten, Projektbericht zu Chat-Zugang auf Produktionsdaten - computer-automation.de
Aktuelle Technik, Wie Agent-First-Architekturen Fertigungslinien flexibler machen, zum Datenfundament als Skalierungsvoraussetzung - aktuelle-technik.ch
iosys Blog, Fragen Sie Ihre Maschinen: Natürlicher Sprachzugang zu Ihren Fabrikdaten - Artikel lesen
iosys Blog, Welche KI-Tools lohnen sich für Fertigungs-KMU? - Artikel lesen
iosys Blog, KI-Agenten im Auftragseingang: was heute realistisch funktioniert - Artikel lesen
iosys Fallbeispiel, Von 20 auf 2 Stunden: KI-gestützte Auftragserfassung - Case Study lesen