KI-Agenten als Steuerungsschicht: Wenn das IoT mitdenkt
Stephan Dufhues
Veröffentlicht am 12. Juni 2026
Sensoren messen, Netzwerke übertragen, Dashboards füllen sich – und dann schaut irgendwann jemand drauf. In vielen IoT-Installationen ist der Mensch noch immer das einzige Bindeglied zwischen Datum und Entscheidung. KI-Agenten können diese Rolle übernehmen, wenn Unternehmen die richtigen Voraussetzungen schaffen.
- KI-Agenten sind keine einfachen Chatbots, sondern autonome Systeme, die auf Datenquellen zugreifen, Entscheidungen vorbereiten und Prozesse selbständig ausführen – auch in IoT-Umgebungen.
- Strukturiertes Prompting – etwa mit dem RACE-Framework (Research, Analyze, Communicate, Execute) – und kontinuierliches Testing sind die Basis für zuverlässige Ergebnisse.
- Ohne KI-Governance und „Human in the Loop“ – also die organisatorisch verankerte menschliche Kontrolle – entstehen in vernetzten Systemen schwer beherrschbare Risiken.
Vom Sensor zur Entscheidung – was fehlt bisher?
IoT, also das Internet der Dinge, funktioniert nach einem einfachen Prinzip: Sensoren erfassen Zustände, Geräte übermitteln Daten, Systeme reagieren. In der Theorie. In der Praxis landen Temperaturen, Füllstände, Maschinenparameter und Bewegungsdaten in Dashboards, die regelmäßig manuell ausgewertet werden müssen. Der Mensch bleibt das Bindeglied zwischen Datum und Handlung.
KI-Agenten sind nicht das fehlende Stück Sensorik oder Konnektivität. Sie sind die Auswertungs- und Steuerungsebene, die in vielen IoT-Installationen bis heute analog geblieben ist.
Ein digitaler Mitarbeiter mit hoher Toleranzschwelle
Ein KI-Agent ist kein Assistent, der auf Fragen antwortet. Er ist ein System, dem Ziele, Regeln und Datenquellen hinterlegt werden – und das darauf aufbauend eigenständig handelt. Ein ERP-System, eine Maschinendatenbank oder ein IoT-Gateway lassen sich als Informationsquellen anbinden. Der Agent weiß dann, ob er Rückfragen stellen soll, welche Regeln er einhalten muss und in welchem Format er Ergebnisse liefert.
Der Unterschied zu einem einfachen Automatisierungsskript liegt in der Flexibilität: Ein KI-Agent kann mit unstrukturierten Daten umgehen, Muster erkennen und in Grenzbereichen eine kontextbezogene Einschätzung liefern, statt eine fest programmierte Schwelle auszulösen.
Das Bild stammt aus einem Kunden-Workshop und trifft den Kern: Wiederkehrende Aufgaben, die Menschen ungern erledigen und dabei an Qualität verlieren, sind genau das Einsatzfeld, für das KI-Agenten gebaut sind.„Ein KI-Agent ist ein Werkstudent mit hoher Toleranzschwelle. Er bekommt eine Rechercheaufgabe oder soll bestimmte Informationen zusammenfassen. Das ist ein bisschen lästig, aber er fühlt sich dabei nicht schlecht und erledigt seine Aufgaben immer zuverlässig.“
Konkrete Einsatzfelder in vernetzten Systemen
Die Anwendungsfälle reichen von der automatisierten Rechnungsprüfung bis zur Auswertung von Quartalskennzahlen direkt aus dem ERP-System. In IoT-Umgebungen eröffnen sich weitere Möglichkeiten: Qualitätssicherung, Energiemonitoring, Anlagenüberwachung. Das Grundprinzip ist immer dasselbe – strukturierte Eingabedaten, ein klar definierter Prüfprozess, ein Ergebnis mit Handlungsempfehlung. Nur dass die Eingabe hier vom Sensor kommt, nicht aus dem Posteingang.
Entscheidend ist, keine überdimensionierten Erwartungen zu wecken. Ein KI-Agent schreibt keinen Wartungsauftrag und fällt keine Geschäftsentscheidungen. Er bereitet sie vor, meldet sich bei Auffälligkeiten – und entlastet dabei die Menschen, die diese Entscheidungen treffen.
Aufbau: Prompting-Framework wählen, testen, verbessern
Wer einen KI-Agenten für IoT-Aufgaben entwickelt, muss sich mit Prompting auseinandersetzen – also der Frage, wie einem KI-System Ziele, Kontext und Verhaltensregeln vermittelt werden. Der Schritt klingt technisch banal, ist aber der entscheidende Qualitätshebel.
Es gibt verschiedene bewährte Frameworks. Für Entscheidungsprozesse von der Informationsgewinnung bis zur Umsetzung eignet sich RACE (Research, Analyze, Communicate, Execute). Für klar umrissene Analyseaufträge mit definiertem Output bietet sich R-A-F (Role, Action, Format) an. Datengetriebene Prozessoptimierung mit Monitoring lässt sich gut mit DMAIC (Define, Measure, Analyze, Improve, Control) strukturieren.
„Es ist schon ein bisschen Arbeit, einen guten KI-Agenten zu bauen. Der initiale Aufwand ist größer, als viele denken.“
Zum Framework kommen Trainingsaufgaben und eine kontinuierliche Prüfung der Ausgabequalität. Wer diesen Schritt überspringt, erhält ein System, das zuverlässig wirkt – bis es das nicht mehr tut. Dafür empfiehlt sich auch, die KI selbst in den Entwicklungsprozess einzubeziehen: mehrere Feedbackschleifen einplanen, Prompts iterativ verbessern.
Wichtige Prompt-Frameworks im IoT-Einsatz
| Modell | Nutzen im IoT-Kontext | Beispiel: Vorausschauende Wartung |
|---|---|---|
| RACE Research Analyze Communicate Execute | End-to-end Entscheidungsprozesse: von der Rohdatenerfassung bis zur automatisierten Maßnahme | Research: Sammle Sensordaten aus Maschinenpark (Vibration, Temperatur, Druck) Analyze: Erkenne Anomalien im Vibrationsmuster, vergleiche mit Schwellenwerten Communicate: Melde auffällige Einheit mit Fehlerbild und Dringlichkeitsstufe an Wartungsteam Execute: Löse präventiven Wartungsauftrag im CMMS aus, sperre Anlage bei kritischem Befund |
| R-A-F Role Action Format | Schnelle, klar umrissene Auswertungsaufträge mit definiertem Ausgabeformat | Role: Du bist Condition-Monitoring-Agent für Pumpenanlage P-07 Action: Analysiere die Druckdaten der letzten 72 Stunden auf Trends und Ausreißer Format: Gib eine strukturierte Meldung mit Anomalie-Typ, Zeitstempel und empfohlener Maßnahme aus |
| D-A-R-E Define Acquire Refine Execute | Strukturierte Datenprojekte rund um IoT-Datenqualität und Automatisierung | Define: Definiere Ziel: Leckage-Erkennung in Druckluftleitungen, Ziel-KPI: Erkennungsrate > 95 % Acquire: Sammle Drucksensordaten aus dem Leitungsnetz Refine: Bereinige Messfehler, normalisiere auf Tagesgang und Lastprofil Execute: Trainiere Anomalie-Modell, automatisiere Alarm bei Druckabfall > Schwellenwert |
| OSEMN Obtain Scrub Explore Model iNterpret | Pragmatischer Workflow von IoT-Rohdaten zu verwertbaren Betriebserkenntnissen | Obtain: Lese Rohdaten aus Energiezählern, Temperatursensoren und Durchflussmessern Scrub: Entferne Ausreißer, fülle Messlücken, vereinheitliche Zeitstempel Explore: Analysiere Verbrauchsmuster und Korrelationen zwischen Lastspitzen und Temperatur Model: Erstelle Vorhersagemodell für Energiebedarf nach Schicht und Witterung Interpret: Leite Optimierungsmaßnahmen für Lastmanagement und Abschaltzeiten ab |
| DMAIC Define Measure Analyze Improve Control | Kontinuierliche Prozessoptimierung in der Produktion mit nachhaltigem Monitoring | Define: Ziel: Ausschussrate in Füllanlage um 20 % senken Measure: Erfasse Füllmengen, Taktraten und Fehlerprotokolle über Produktionssensoren Analyze: Identifiziere Korrelation zwischen Temperaturabweichung und Füllfehlern Improve: Passe Regelparameter des Agenten an, optimiere Temperaturregelung Control: Etabliere kontinuierliches Sensor-Monitoring mit automatischem Alarm bei Drift |
| OODA Loop Observe Orient Decide Act | Schnelle, iterative Reaktion auf Echtzeitereignisse in vernetzten Anlagen | Observe: Erfasse aktuelle Betriebsdaten: Temperatur steigt in Sektion 3 auf 87 °C Orient: Vergleiche mit Normbereich (60–80 °C) und historischen Mustern Decide: Bewerte: unkritisch, eskalationswürdig oder sofortiger Eingriff erforderlich Act: Drossele Durchsatz, benachrichtige Schichtleiter, protokolliere Ereignis |
Governance: Wer haftet, wenn der Agent falsch liegt?
IoT-Systeme steuern in manchen Fällen physische Prozesse. Zieht ein KI-Agent an dieser Stelle falsche Schlüsse, sind die Folgen nicht nur ein fehlerhafter Report, sondern unter Umständen ein Produktionsausfall oder ein Sicherheitsrisiko. KI-Governance – ein verbindliches Regelwerk für Rechte, Rollen und Kontrollmechanismen beim KI-Einsatz – ist deshalb keine bürokratische Pflichtübung, sondern technische Notwendigkeit.
Die zentralen Fragen: Welche Datenzugänge bekommt der Agent? Welche Entscheidungen darf er selbst treffen, welche muss er eskalieren? Wer prüft seine Ausgaben in welchem Rhythmus? Dazu kommt die Frage, welche Unternehmensdaten für KI-Agenten zugänglich gemacht werden sollen – und ob ein Mitarbeitender die Daten sehen darf, die ein Agent zu einer bestimmten Anfrage liefert.
„Organisationen müssen klare Regeln zur KI-Nutzung und zum Umgang mit den Ergebnissen vorgeben: Auf welchen Quellen basiert die Antwort? Sind sie aktuell und vertrauenswürdig? Wie lassen sich die Ergebnisse gegenprüfen?“
Hinzu kommt das Prinzip des „Human in the Loop“: Es muss immer mindestens einen Menschen geben, der die Ergebnisse des Agenten kritisch prüft und Verbesserungen einpflegt. Klingt selbstverständlich, wird aber in der Praxis selten organisatorisch verankert. Dann läuft der Agent weiter, niemand schaut hin – und das Vertrauen in das System bricht bei der ersten ernsthaften Fehlfunktion zusammen.
Wo die Branche gerade steht
Die Verbreitung von KI-Agenten nimmt spürbar zu. Laut dem Salesforce KI-Index Mittelstand vom März 2026 hat sich die Nutzung in deutschen KMU innerhalb eines Jahres von 8,5 auf 16,6 Prozent fast verdoppelt – und 37 Prozent der befragten Unternehmen planen für 2026 die Einführung oder den Ausbau entsprechender Systeme. Noch 31 Prozent haben keine KI-Pläne. Für Unternehmen mit vernetzter Infrastruktur, die KI-Agenten noch nicht als mögliche Steuerungsebene evaluiert haben, wird das Thema früher oder später auf die Agenda kommen.
Erste Schritte – strukturiert, nicht überambitioniert
Der Einstieg ist keine technische, sondern eine organisatorische Frage: In welchem Prozess entstehen heute IoT-Daten, die ein Mensch regelmäßig auswertet und in Handlungen übersetzt? Genau dort kann ein KI-Agent ansetzen.
Ein bewährtes Vorgehen in vier Schritten:
• Use Cases identifizieren: In welchen Alltagsprozessen entstehen wiederkehrende Auswertungsaufgaben?
• Datenverfügbarkeit prüfen: Sind die relevanten Daten sauber, strukturiert und zugänglich?
• Governance aufsetzen: Verantwortlichkeiten klären, Kontrollzyklen definieren, Regeln für die KI-Nutzung festlegen.
• Pilotprojekt starten und messen: Kleiner Scope, klare Erfolgskriterien – dann schrittweise skalieren.
KI-Agenten sind kein vorübergehender Hype. Sie werden ein fester Bestandteil vernetzter Systeme. Die Frage ist nicht ob – sondern wann und mit wie viel Vorbereitung.
Ein KI-Agent ist ein autonomes System, dem Ziele, Regeln und Datenquellen hinterlegt werden – und das darauf aufbauend selbstständig handelt, ohne auf Einzelanfragen angewiesen zu sein. Ein KI-Assistent wie ChatGPT antwortet auf Fragen; ein KI-Agent übernimmt ganze Prozessketten. Er kann auf externe Systeme wie ERP-Datenbanken oder IoT-Gateways zugreifen und Ergebnisse in definiertem Format ausgeben.
KI-Agenten übernehmen in IoT-Umgebungen die Auswertungs- und Steuerungsebene zwischen Sensor und Entscheidung. Typische Anwendungsfälle sind Anlagenüberwachung, vorausschauende Wartung, Energiemonitoring und Qualitätssicherung. Der Agent wertet kontinuierlich Sensordaten aus, erkennt Anomalien und bereitet Handlungsempfehlungen vor – ohne dass ein Mensch jeden Datenpunkt manuell prüfen muss.
Ein Prompting-Framework ist eine strukturierte Methode, um einem KI-System Ziele, Kontext und Verhaltensregeln zu vermitteln. Bewährte Ansätze sind RACE (Research, Analyze, Communicate, Execute) für end-to-end Entscheidungsprozesse, R-A-F (Role, Action, Format) für klar umrissene Analyseaufträge und DMAIC für datengetriebene Prozessoptimierung. Welches Framework passt, hängt vom konkreten Anwendungsfall ab.
„Human in the Loop“ bedeutet, dass mindestens ein Mensch die Ergebnisse eines KI-Agenten in definierten Zyklen kritisch prüft, Qualität bewertet und Verbesserungen einpflegt. Das Prinzip sichert fachliche und ethische Standards und erhöht die Nachvollziehbarkeit von Entscheidungen. Es muss organisatorisch verankert sein – mit klaren Verantwortlichkeiten und Kontrollrhythmen – damit es in der Praxis tatsächlich gelebt wird.
KI-Governance ist ein verbindliches Regelwerk, das Rechte, Rollen und Kontrollmechanismen für den KI-Einsatz im Unternehmen festlegt. In IoT-Umgebungen ist sie besonders relevant, weil KI-Agenten dort physische Prozesse beeinflussen können – Fehlentscheidungen haben also direkte operative Konsequenzen. Konkret regelt sie, welche Datenzugänge ein Agent erhält, welche Entscheidungen er selbst treffen darf und wer seine Ausgaben in welchem Rhythmus überprüft.
Der Einstieg beginnt nicht mit Technik, sondern mit einer organisatorischen Frage: In welchem Prozess entstehen heute IoT-Daten, die ein Mensch regelmäßig auswertet und in Handlungen übersetzt? Dort setzt ein erster Pilot an. Parallel müssen Datenverfügbarkeit geprüft und Governance-Strukturen aufgesetzt werden. Ein klar abgegrenztes Pilotprojekt mit messbaren Erfolgskriterien liefert schnell erste Ergebnisse und schafft die Basis für eine schrittweise Skalierung.
