Vom Regelkreis zum lernenden System: Die autonome Prozessanlage wird zum neuen Leitbild

Was in Fadhili geschieht, ist deshalb weit mehr als eine erfolgreiche KI-Anwendung. Ein lernendes System greift kontinuierlich in einen Produktionsprozess ein – innerhalb definierter Grenzen und mit messbarem Nutzen. Damit wird zugleich deutlich, dass Autonomie nicht mit Künstlicher Intelligenz gleichzusetzen ist. 

KI erweitert den Werkzeugkasten der Prozessautomation um lernende und adaptive Verfahren.

Die autonome Anlage entsteht aber erst aus ihrem Zusammenspiel mit klassischer Regelungstechnik, Advanced Process Control, zuverlässiger Sensorik, konsistenten Daten, sicheren Automatisierungsfunktionen und klar definierten Eingriffsgrenzen.

Möglich wird das heute, weil Datenverfügbarkeit, Rechenleistung und Systemintegration ein Niveau erreicht haben, auf dem sich autonome Funktionen auch großtechnisch zuverlässig umsetzen lassen – bislang allerdings mit hohem projektspezifischem Aufwand. Für die Breite braucht es deshalb Technologien und Standards, die diesen Aufwand verringern. Und diese sind inzwischen verfügbar: Ethernet-APL bringt die digitale Kommunikation bis ins Feldgerät, die NAMUR Open Architecture (NOA) erschließt zusätzliche Betriebsdaten, ohne in die Prozessführung einzugreifen, Verwaltungsschalen und digitale Zwillinge beschreiben Anlagen in standardisierter Form, Module Type Package (MTP) vereinfacht die Integration modularer Prozesse, und offene Architekturen wie der Open Process Automation Standard (O-PAS) lösen proprietäre Grenzen zwischen Automatisierungssystemen auf.

Der sichtbarste Beleg für den Wandel ist, dass sich Autonomie inzwischen messen lässt. Die ARC Advisory Group hat mit dem Autonomous Operations Maturity Model eine griffige Skala etabliert. Sie reicht von Level 0, bei dem der Mensch alle Entscheidungen trifft, bis Level 5, bei dem keine menschlichen Eingriffe mehr notwendig sind. Dazwischen liegen die entscheidenden Schritte: Level 3 korrigiert definierte Abweichungen innerhalb programmierter Grenzen. Level 4 trifft bestimmte Entscheidungen eigenständig und meldet sie an den Menschen. Auch die NAMUR nutzt eine analoge fünfstufige Einordnung. In einer Umfrage auf dem Anwendertreffen im November 2025 verorteten sich allerdings noch die meisten Teilnehmer in Stufe zwei.

Solche Modelle erfüllen mehr als eine akademische Funktion: Sie schaffen eine gemeinsame Sprache für Betreiber, Automatisierungsanbieter und Investoren. Statt allgemein über Digitalisierung zu sprechen, lassen sich konkrete Fähigkeiten beschreiben: Welche Entscheidungen heute der Mensch trifft, welche die Automation übernehmen kann und wo es genügt, dass er überwacht und nur bei Bedarf eingreift.

Das höchste Autonomielevel ist dabei nicht automatisch das wirtschaftlich sinnvollste Ziel. Ausgangspunkt sollte ein zwischen Business und Betrieb abgestimmtes Zielbild sein, aus dem sich eine Roadmap ableiten lässt: Welche Funktionen sollen autonom werden? Welchen Nutzen versprechen sie? Welche Voraussetzungen sind dafür nötig? Für einen Batchbetrieb mit wechselnden Produkten sieht dieses Ziel anders aus als für eine kontinuierlich betriebene Raffinerie. Autonomie wird damit von einer Zukunftsvision zu einem planbaren Transformationsprogramm.

Wie weit die Branche auf diesem Weg bereits ist, zeigt der im März 2026 vorgestellte Autonomous Maturity Report von Schneider Electric. 400 Führungskräfte aus Energie- und Chemieunternehmen in zwölf Ländern schätzen den Reifegrad ihrer Unternehmen darin auf durchschnittlich 3,52 von 5. Bis 2030 wollen sie im Mittel 4,02 erreichen. Fast ein Drittel der Befragten nennt Autonomie eine „kritische“ Priorität für die nächsten fünf Jahre, weniger als fünf Prozent halten sie für nachrangig. „Autonomie entwickelt sich rasch zum neuen Betriebsmodell der Industrie“, resümiert Gwenaelle Avice Huet, Executive Vice President bei Schneider Electric.

Dass hinter dieser Entwicklung auch ein beträchtlicher Markt steht, zeigt der Blick auf die Prozessleitsysteme: Grand View Research beziffert den weltweiten DCS-Markt für 2026 auf rund 23,5 Milliarden US-Dollar und erwartet bis 2033 ein jährliches Wachstum von 5,4 Prozent. Als Wachstumstreiber nennt die Analyse neben der Modernisierung alter Infrastrukturen ausdrücklich die Integration von IIoT, künstlicher Intelligenz und Advanced Analytics – das Leistungsbild klassischer Leitsysteme verschiebt sich damit zunehmend in Richtung autonomer Funktionen.

Aufschlussreich ist die regionale Verteilung: Golfregion und Asien führen bei der Umsetzung, Nordamerika plant die stärkste Beschleunigung. Besonders weitreichende Anwendungen entstehen dort, wo Betreiber große, stark integrierte Anlagen führen und Digitalisierung mit erheblichen Investitionsprogrammen verbinden.

ADNOC beispielsweise betreibt mit „Neuron 5“ eine gemeinsam mit AIQ und AVEVA entwickelte KI-Plattform, die kritische Ausrüstung autonom überwacht. Nach Angaben des Betreibers kann sie ungeplante Abschaltungen um bis zu 50 Prozent reduzieren. Parallel rollt ADNOC unter dem Dach der Plattform „ENERGYai“ eine agentbasierte KI-Lösung über seine Upstream-Wertschöpfungskette aus. Die Dimension ist beachtlich: Der dafür mit AIQ geschlossene Dreijahresvertrag hat ein Volumen von 340 Millionen US-Dollar. Ziel ist nicht mehr nur die Optimierung einzelner Aggregate, sondern die Verbindung von Echtzeitdaten, Analyse und Entscheidungsunterstützung über eine komplette Wertschöpfungskette hinweg.

Europa setzt einen anderen Schwerpunkt. Während neue Produktionsstandorte im Nahen Osten ihre Anlagen von Beginn an auf moderne digitale Architekturen ausrichten können, konzentriert sich die europäische Prozessindustrie vor allem auf die schrittweise Transformation bestehender Brownfield-Anlagen.

So beeindruckend die Referenzen aus Fadhili oder Hawiyah sind – sie verstellen leicht den Blick auf die eigentliche Ingenieuraufgabe. Denn lernende Systeme können nur so zuverlässig entscheiden wie die Daten, auf denen ihre Entscheidungen beruhen. Und in vielen Prozessanlagen sind Papier, Walkie-Talkies und Ordner noch gängige Realität: OT- und IT-Ebenen sind entkoppelt. Diese Kluft zwischen Betriebs- und Informationstechnik ist die größte Hürde auf dem Weg zur autonomen Anlage – nicht das KI-Modell.

Daten verfügbar zu machen, reicht allerdings nicht. Ein autonomes System muss auch verstehen, was sie bedeuten: Ein Druckwert wird erst dann zur belastbaren Entscheidungsgrundlage, wenn Messstelle, zugeordnetes Aggregat, Betriebszustand sowie Grenz- und Sollwerte eindeutig sind. Für autonome Anwendungen müssen Daten deshalb nicht nur maschinenlesbar, sondern kontextualisiert, semantisch eindeutig und über Systemgrenzen hinweg konsistent sein.

In den heutigen Leuchtturmprojekten wird diese Grundlage noch weitgehend projektspezifisch geschaffen – das ist aufwendig und schwer übertragbar. Damit autonome Funktionen in der Breite skalieren, braucht es standardisierte Datenmodelle, die das leisten. Genau daran arbeitet die Branche: DEXPI etwa beschreibt R&I-Fließbilder nicht länger als Zeichnung, sondern als maschinenlesbares Datenmodell, das über den Anlagenlebenszyklus konsistent bleibt.

Bemerkenswert ist dabei weniger der einzelne Standard als eine neue Kooperationsbereitschaft: Unter dem Dach der Initiative Asset Lifecycle Information Management stimmen elf internationale Branchenverbände und Normungsorganisationen – von DEXPI und NAMUR über CFIHOS bis zu ISO – ihre Informationsmodelle erstmals aufeinander ab. Trägt ein Engineering-Objekt unabhängig von der erzeugenden Software dieselbe Bedeutung, muss die Information nicht länger an jeder Systemgrenze neu übersetzt werden – die Datenbasis wird so von projektspezifischer Fleißarbeit zu wiederverwendbarer Infrastruktur.

Damit verschiebt sich auch der Schwerpunkt der Innovation. Jahrzehntelang standen leistungsfähigere Controller, schnellere Bussysteme oder neue Feldgeräte im Mittelpunkt der Automatisierung. Heute verlagert sich der Wettbewerb zunehmend auf die Softwarearchitektur. KI-Modelle, Optimierungsalgorithmen und Assistenzsysteme entwickeln sich wesentlich schneller weiter als klassische Automatisierungshardware. Sie müssen aktualisiert, erweitert oder ausgetauscht werden können, ohne dass jedes Mal das komplette Leitsystem modernisiert werden muss. Andernfalls würden häufigere Systemwechsel zusätzliche Investitionsmittel binden und die Transformation zur autonomen Anlage eher bremsen als beschleunigen.

Vor diesem Hintergrund gewinnt die software-definierte Automatisierung an Bedeutung. Anwendungen werden von der Hardware entkoppelt, Funktionen als Softwaredienste bereitgestellt und unabhängig voneinander weiterentwickelt. Der Innovationszyklus orientiert sich damit nicht länger am Lebenszyklus der Steuerungstechnik, sondern an der Geschwindigkeit, mit der neue Softwarefunktionen verfügbar werden.

Emerson beschreibt mit Boundless Automation eine software-definierte Architektur, in der Funktionen von der Hardware entkoppelt und über intelligente Feldgeräte, Edge-Devices und Cloud hinweg bereitgestellt werden. Honeywell betont den Übergang von Automation zu Autonomy; ABB verfolgt mit Genix eine software- und datengetriebene Plattformstrategie. Auch der chinesische Anbieter Supcon entwickelt in diese Richtung: Mit UCS/Nyx als software-definiertem Leitsystem, TPT2 als KI-Plattform sowie einem gemeinsamen Datenraum und Ethernet-APL für die Feldanbindung.

Die Produktstrategien unterscheiden sich, die Zielbilder kaum: Offene Kommunikationsstandards, software-definierte Leitsysteme, standardisierte Datenmodelle und KI-gestützte Optimierung finden sich inzwischen in nahezu jeder Roadmap. Das spricht weniger für einen kurzfristigen Technologietrend als für einen grundlegenden Architekturwechsel.

Dass Standardisierung dabei kein Selbstzweck ist, zeigt der Open Process Automation Standard. 2024 noch als Zukunftsprojekt beschrieben, bildet er inzwischen die Grundlage eines neuen Leitsystems bei ExxonMobil in Baton Rouge. Das System mit über 100 Controllern und 1.000 I/O-Punkten ging Ende 2024 in Betrieb und lief nach Angaben des Betreibers durch das gesamte Jahr 2025 ohne größere Störungen.

In Europa führt der Weg zur Autonomie über viele aufeinander aufbauende Modernisierungsschritte: Jahrzehntealte Prozessleitsysteme, Feldgeräte unterschiedlicher Generationen und historisch gewachsene Engineering-Daten müssen Schritt für Schritt in eine gemeinsame Informationswelt überführt werden – während die Anlagen weiter produzieren.

Dass Autonomie unter diesen Bedingungen möglich ist, zeigt Covestro in Dormagen. Dort läuft seit Juni 2024 im bestehenden Polyesterbetrieb eine Produktionsstraße autonom. Die KI steuert nicht nur einzelne Prozessparameter, sondern begleitet den Ablauf von der Auftragsannahme über Produktionsplanung und Herstellung bis zur Logistik. Sensor- und Prozessdaten werden dafür mit Informationen aus Prozessleitsystem, MES und ERP zusammengeführt. Aus einem Pilotprojekt ist damit eine im industriellen Produktionsbetrieb eingesetzte Anwendung geworden.

Das Beispiel ist auch deshalb bemerkenswert, weil es die besondere Komplexität von Batch-Prozessen adressiert. Wechselnde Produkte, Rezepturen und Prozessverläufe erschweren eine durchgängige Automatisierung. In Dormagen analysiert die KI die laufend erfassten Daten, erkennt Muster und passt Steuerungsparameter eigenständig an. Die Anlage zeigt somit, dass autonome Prozessführung nicht auf kontinuierliche Großprozesse oder neu errichtete Anlagen beschränkt ist.

Einen technologisch anderen Weg demonstrierte zuvor ENEOS Materials im japanischen Yokkaichi. Dort regelte der Reinforcement-Learning-Algorithmus FKDPP eine Butadien-Destillationskolonne 35 Tage lang autonom. Der Dampfverbrauch sank um 40 Prozent, ohne dass Off-Spec-Material produziert wurde. Anders als klassische Advanced-Process-Control-Systeme, die auf zuvor entwickelten mathematischen Prozessmodellen basieren, lernt FKDPP geeignete Regelstrategien direkt aus Betriebsdaten.

Dass sich autonome Regelung zudem auf großtechnische Chemieprozesse übertragen lässt, zeigt SOCAR Carbamide. Die Düngemittelanlage wurde Anfang 2026 vom World Economic Forum als WEF-Leuchtturm ausgezeichnet, unter anderem für ihre geschlossene, autonome Prozessregelung – mit 21 Prozent höherem Durchsatz und 24 Prozent besserer Erdgaseffizienz.

Auch weitere europäische Betreiber entwickeln ihre Bestandsanlagen in diese Richtung. BASF transformiert nach eigenen Angaben eine „hohe zweistellige Zahl“ an Anlagen in Richtung Autonomie. Evonik und Siemens haben eine Partnerschaft für autonome Chemieanlagen angekündigt – ausdrücklich als „schrittweise, strukturierte Reise statt Big-Bang-Transformation“.

Damit verfestigen sich die regionalen Unterschiede: Während der Nahe Osten und Asien autonome Regelung vor allem an großskaligen kontinuierlichen Prozessen zeigen, entwickelt Europa die Methoden, um bestehende Batch- und Konti-Anlagen im laufenden Betrieb zu transformieren. Angesichts der weltweit installierten Brownfield-Kapazitäten könnte dieser Erfahrungsschatz langfristig mindestens ebenso wertvoll werden wie die spektakulären Greenfield-Projekte.

Je mehr Entscheidungen die Automation übernimmt, desto wichtiger wird die Frage, was sie überhaupt entscheiden darf. Ein KI-Agent, der selbstständig Sollwerte oder Stellgrößen verändert, darf die etablierten Schutzebenen einer Prozessanlage nicht aushebeln. Funktionale Sicherheit nach IEC 61511 bleibt deshalb auch in einer autonomen Anlage eine eigenständige Ebene: Autonome Optimierung kann innerhalb definierter Betriebsgrenzen agieren, sicherheitsgerichtete Systeme müssen davon unabhängig verhindern, dass gefährliche Zustände entstehen. Autonomie bedeutet also nicht unbegrenzte Entscheidungsfreiheit, sondern Handeln innerhalb technisch klar gesetzter Grenzen.

Gleichzeitig vergrößert die notwendige Vernetzung die Angriffsfläche. Wenn OT und IT zusammenwachsen, Daten über Edge- und Cloud-Systeme laufen und laufend neue Softwaredienste eingebunden werden, entstehen zusätzliche Angriffspunkte. Cybersecurity wird damit vom flankierenden IT-Thema zur Voraussetzung autonomer Produktion.

„Ein erfahrener Anlagenfahrer würde an dieser Stelle normalerweise eingreifen“ – mit diesem Bild begann der Blick auf Fadhili. Mit wachsender Autonomie wird aus dem Human in the Loop zunehmend ein Human on the Loop: Das System übernimmt Routineentscheidungen, der Mensch überwacht und greift ein, wenn es an seine Grenzen stößt. Er bleibt zudem für Zielvorgaben, Betriebsgrenzen, Ausnahmefälle und die sichere Eskalation verantwortlich. Das kann den Fachkräftemangel entschärfen, birgt aber ein neues Risiko: Wer immer seltener selbst eingreift, verliert womöglich gerade jene Erfahrung, die im Ausnahmefall benötigt wird.

Autonomie verändert deshalb die Qualifikationsprofile, statt den Menschen überflüssig zu machen. Prozessverständnis bleibt zentral, hinzu kommen Datenkompetenz und die Fähigkeit, Entscheidungen autonomer Systeme zu beurteilen. Vertrauen entsteht nur, wenn der Bediener deren Grenzen kennt – und eindeutig geregelt ist, wer übernimmt, wenn das System irrt.