Veröffentlicht am 19 October 2026
Umrüstzeit ist einer der wenig glamourösen Posten in der Fertigungssteuerung und zugleich einer der am häufigsten unterschätzten. Jedes Mal, wenn eine Produktionslinie von einem SKU, einer Rezeptur oder einer Werkzeugkonfiguration auf eine andere wechselt, entsteht ein Zeitfenster, in dem die Anlage nichts produziert — sie wird gereinigt, umgerüstet, neu kalibriert und getestet, bevor der nächste Lauf starten kann. Multipliziert man dieses Fenster mit der Zahl der Umrüstungen, die ein Werk pro Woche durchführt, ist die kumulierte Stillstandszeit oft größer als jeder einzelne Anlagenausfall. Dennoch wird die Umrüstplanung häufig noch genauso gehandhabt wie vor zehn Jahren: ein Planer arbeitet mit Whiteboard oder Tabellenkalkulation, reiht Aufträge nach Fälligkeit und einem groben Gefühl dafür, wie lange eine bestimmte Umrüstung normalerweise dauert.
Das Planungsproblem selbst passt gut zu einem agentischen Ansatz, nicht weil es exotisch wäre, sondern weil es tatsächlich kombinatorisch ist — die beste Abfolge von Aufträgen hängt von der Umrüstzeit zwischen jedem Paar von Produktvarianten, dem aktuellen Anlagenzustand, der Materialverfügbarkeit und den Personaleinsätzen ab, und all das verändert sich im Laufe des Tages, wenn sich Aufträge verschieben und Anlagen vor- oder nachhinken.
Warum manuelle Umrüstplanung im großen Maßstab an ihre Grenzen stößt
Ein Planer kann für einige Produktfamilien ein vernünftiges mentales Modell der Umrüstungskosten im Kopf behalten. Das Problem wächst jedoch schnell, wenn ein Werk Dutzende SKU mit unterschiedlichem Ähnlichkeitsgrad fährt — manche Umrüstungen gehen schnell, weil sie sich Werkzeuge oder eine Basisrezeptur teilen, andere erfordern einen vollständigen Rückbau und einen Sanierungszyklus. Aufträge so zu reihen, dass die gesamte Umrüstzeit minimiert wird, bedeutet, ein Problem nahe an einer Planungsoptimierung zu lösen, und das von Hand heißt meist, dass Planer auf einfache Heuristiken zurückgreifen: ähnliche Produkte bündeln, die schwierigsten Umrüstungen ans Schichtende legen und hoffen, dass nichts die Reihenfolge durcheinanderbringt.
Diese Heuristiken sind ein vernünftiger Startpunkt, aber sie berücksichtigen keine Echtzeitbedingungen: eine Maschine, die bei einem laufenden Auftrag hinterherhinkt, ein Eilauftrag, der in der Warteschlange nach vorne springen muss, oder ein Materialengpass, der einen geplanten Auftrag blockiert, bis eine Lieferung eintrifft. Wenn sich die Bedingungen ändern, ist eine manuelle Neuplanung oft zu langsam, sodass Planer die ursprüngliche Abfolge einfach durchziehen, statt neu zu optimieren — genau dann häuft sich vermeidbare Stillstandszeit an.
Was ein agentisches Planungssystem tatsächlich tut
Der sinnvolle Blickwinkel ist hier nicht, dass AI den Planer ersetzt. Es ist ein Agent, der den Produktionsplan kontinuierlich gegen die aktuellen Werkbedingungen prüft und eine neue Reihenfolge vorschlägt oder, mit den richtigen Leitplanken, direkt ausführt, die die gesamte Umrüstzeit senkt, ohne harte Vorgaben wie Auftragsfälligkeiten, Materialverfügbarkeit und Qualifikationen des Personals für bestimmte Anlagen zu verletzen.
Konkret bedeutet das: Der Agent braucht Zugriff auf eine Umrüstzeit-Matrix, idealerweise abgeleitet aus tatsächlichen historischen Umrüstzeiten statt aus nominalen Schätzwerten, da reale Umrüstzeiten meist stärker schwanken, als Planer annehmen. Er braucht den aktuellen Auftragsstatus aus der MES- oder SCADA-Ebene, Materialverfügbarkeit aus Bestandssystemen und Personaleinsatzregeln aus Workforce-Management-Tools. Auf dieser Basis ist die Aufgabe des Agents, fortlaufend ein Sequenzierungsproblem zu lösen oder bei veränderten Bedingungen neu zu lösen: Welche Auftragsreihenfolge minimiert die kumulierte Umrüstzeit, erfüllt jede Fälligkeit und respektiert jede harte Einschränkung?
Genau hier ist der agentische Rahmen wichtig, weil es sich nicht um eine einmalige Berechnung pro Schicht handelt — sondern um einen fortlaufenden Prozess, der erkennen muss, wann sich die Bedingungen so stark geändert haben, dass eine Neuplanung sinnvoll ist, der entscheiden muss, ob eine vorgeschlagene Änderung die Unterbrechung einer Umreihung mitten in der Schicht wert ist, und der die empfohlene Anpassung einem menschlichen Planer so kommuniziert, dass dieser sie schnell bewerten und freigeben kann.
Wo menschliche Kontrolle hingehört
Vollständige Autonomie ist hier nicht das Ziel, und das aus gutem Grund. Ein Planungsagent ohne Aufsicht kann für die ihm gegebene Kennzahl optimieren, also die Umrüstzeit minimieren, und dabei Faktoren ignorieren, die ihm nicht mitgeteilt wurden: eine Kundenbeziehung, bei der ein bestimmter Auftrag zeitlich nicht verhandelbar ist, eine informelle Vereinbarung darüber, welche Schicht welche Produktlinie fährt, oder ein Wartungsfenster, das in keinem System erfasst ist, das der Agent sehen kann. Das praxistaugliche Design hält einen menschlichen Planer bei jeder Umreihung mit einem bestimmten Störungsgrad in der Schleife, während der Agent die kontinuierliche Optimierung mit niedrigerem Risiko übernimmt, etwa kleine Reihenfolgeanpassungen innerhalb einer bereits geplanten Schicht, ohne für jede Kleinigkeit eine Freigabe zu benötigen.
Diese Trennung ist für die Akzeptanz ebenso wichtig wie für die Sicherheit. Planer, die sich über Jahre stilles Wissen über die Eigenheiten der Anlage aufgebaut haben, sind zu Recht skeptisch gegenüber einem System, das ihren Zeitplan ohne Erklärung umstellt. Ein Agent, der seine Überlegungen offenlegt — etwa indem er darauf hinweist, dass eine Reihenfolge Rüstzeit spart, weil zwei Aufträge dasselbe Werkzeug nutzen — gibt dem Planer etwas, das er prüfen und notfalls übersteuern kann, statt nur eine Black-Box-Empfehlung, die er komplett annehmen oder ignorieren muss.
Integrationsrealität
All das funktioniert nicht ohne verlässliche Daten direkt aus der Produktion. Wenn die Rüstzeiten im System nicht der Realität entsprechen, sind die Empfehlungen des Agenten auf vorhersehbare Weise systematisch falsch — meist unterschätzt er die Rüstzeit bei selteneren Produktwechseln, die nicht oft genug gelaufen sind, um saubere historische Daten zu haben. Das sauber hinzubekommen bedeutet in der Regel, mit einem engeren Umfang zu starten, etwa einer Produktionslinie oder einer Produktfamilie, aus echten Betriebsdaten ein präzises Modell der Rüstzeiten aufzubauen und den Umfang erst dann zu erweitern, wenn die Empfehlungen sichtbar mit dem übereinstimmen, was tatsächlich in der Fertigung passiert.
Das heißt auch, sich mit den vorhandenen MES-, ERP- oder SCADA-Systemen zu verbinden, in denen Auftragsstatus und Materialdaten bereits liegen, statt von Planern zu verlangen, eine zweite Source of Truth zu pflegen. Der Integrationsaufwand macht oft den größeren Teil des Projekts aus als die eigentliche Planungslogik, besonders in Werken mit älterer Anlagen ohne moderne Datenschnittstellen.
Messen, ob das System tatsächlich hilft
Bevor man einen Scheduling-Agenten über eine Pilotlinie hinaus einsetzt, sollte man sehr bewusst definieren, wie Erfolg tatsächlich gemessen wird. Die gesamten Rüststunden pro Woche sind die naheliegende Leitkennzahl, können aber für sich genommen irreführend sein, wenn der Agent einfach die schwierigsten Rüstvorgänge in einen ruhigeren Teil der Woche verschiebt, statt die gesamte Rüstzeit wirklich zu senken. Ein verlässlicherer Ansatz verfolgt mehrere Dinge gemeinsam: die gesamten Rüststunden, die Einhaltung des vom Agenten vorgeschlagenen Plans und die Häufigkeit, mit der Planer die Empfehlung des Agenten übersteuern und aus welchem Grund. Eine hohe Override-Rate ist nicht automatisch ein Fehlersignal — oft weist sie auf eine fehlende Restriktion hin, von der der Agent nie erfahren hat, und diese Restriktion ins System zurückzuspielen ist meist wertvoller, als die Optimierung selbst nachzujustieren.
Hilfreich ist auch zu verfolgen, wie oft eine empfohlene Neureihenfolge tatsächlich wie geplant umgesetzt wird und wie oft sie durch Unvorhergesehenes gestört wird, etwa durch einen unerwarteten Qualitätsstopp oder ein Problem an der Anlage während des Laufs. Diese Lücke ist für sich genommen wertvolle Information, weil sie zeigt, wo der Plan am fragilsten ist und wo zusätzlicher Puffer oder alternative Reihenfolgen mehr bringen würden als eine weitere Optimierung des Standardfalls.
Wo das in eine breitere Automatisierungsroadmap passt
Die Planung von Rüstvorgängen ist ein guter Einstiegspunkt für agentische Automatisierung in einer Fertigungsumgebung, weil der Nutzen auf eine schwer bestreitbare Weise messbar ist: Stillstandsstunden sind eine Kennzahl, die in jedem Werk ohnehin erfasst wird, und eine Reduktion zeigt sich direkt im Durchsatz. Außerdem ist es ein ausreichend abgegrenztes Problem, das keine sicherheitskritischen Steuerungssysteme berühren muss. Das macht es zu einem vernünftigen Ort, um Vertrauen in agentische Tools aufzubauen, bevor die Automatisierung auf angrenzende Bereiche wie Predictive Maintenance oder Qualitätskontrolle ausgeweitet wird.
Wenn Rüststillstand, starre Zeitpläne oder überlastete Planer auf Ihrem Shopfloor wiederkehrende Probleme sind, lohnt sich ein gezielter Blick darauf, wohin die Rüstzeit tatsächlich verschwindet, bevor Sie sich auf einen Build festlegen. Mehr dazu, wie wir diese Art von Agentenarbeit angehen, finden Sie auf unserer AI agents Seite und unserer Seite für Fertigungs- und Industrie-AI-Software, oder Sie können Kontakt aufnehmen, um über Ihre konkrete Produktionsumgebung zu sprechen.
Verwandt