Abbau von Datensilos in Unternehmen

In einer typischen Fertigungsumgebung ist Ihre Datenlandschaft fragmentiert. Produktstrukturen befinden sich im PLM-System (wie z. B. Siemens Teamcenter). Bestellungen und Lagerbestände werden im ERP-System (wie SAP) verwaltet. Kundeninteraktionen werden im CRM-System (wie Salesforce) verwaltet. Und dann gibt es noch die Mendix Apps, die entwickelt wurden, um Lücken zu schließen und Prozesse in der Fertigung zu digitalisieren.

Jedes System ist in seinem Bereich hervorragend. Aber wenn ein Werksleiter oder Qualitätsingenieur eine bereichsübergreifende Frage stellt wie: „Besteht ein Zusammenhang zwischen Qualitätsmängeln und bestimmten Schichtplänen, und welche Maschinen sind dafür verantwortlich? – Die IT-Teams haben immer noch alle Hände voll zu tun, um SQL-Exporte, Tabellenkalkulationen und einmalige Integrationen miteinander zu verknüpfen.
Dies ist genau der Problembereich, in dem MendixAltair Graph Studio und GenAI-Agenten, die auf dem Model Context Protocol (MCP) basieren, bilden eine neue, leistungsstarke Architektur.

Um zu demonstrieren, wie diese drei Technologien zusammenwirken, um uns von statischer Berichterstattung zu agentenbasierter KI zu führen, haben wir eine umfassende Anwendung für Fertigungsabläufe namens Evora entwickelt.

Der neue Stack: Low-Code, Wissensgraphen und MCP.

Bevor wir uns mit dem Anwendungsfall befassen, definieren wir zunächst die drei Kernbestandteile, die diese Architektur ermöglichen.

1. Altair Graph Studio: Das semantische Gefüge

In herkömmlichen Datenbanken für die Fertigungsindustrie denkt man in Tabellen und Verknüpfungen. In Altair Graph Studio denkt man in Entitäten und Beziehungen. Anstatt Zeile 402 mit Zeile 881 abzugleichen, versteht der Graph den Geschäftskontext:

• Assembly→ besteht aus → Components
• Machine→ wird betrieben von →Operator
• Defect→ passierte während →Shift

Graph Studio wird zur Landkarte Ihres Unternehmens und importiert Daten aus Teamcenter, SAP und Mendixund bereichert es mit einer Ontologie (formale Beschreibung der Beziehungen zwischen Ihren Geschäftskonzepten).

2. MendixDie Orchestrierungsebene

Mendix bleibt die „Eingangstür“ und die Kontrollebene. In dieser Architektur Mendix Es handelt sich nicht nur um eine Benutzeroberfläche; es ist die Umgebung, in der der Agent parallel zu den Aktionen agiert. Sie hostet die Portale, über die Qualitätssicherungsingenieure Erkenntnisse auswerten und, ganz entscheidend, die Workflows zur Behebung von Problemen auslösen (z. B. das Erstellen eines Wartungstickets oder das Markieren eines Batches).

3. MCP: Die Standardsprache für Agenten

Das ist der entscheidende Durchbruch. Das Model Context Protocol (MCP) ist ein offener Standard, der es ermöglicht, Daten und Tools auf konsistente Weise für große Sprachmodelle (LLMs) bereitzustellen. Anstatt eine Integration zwischen einem Chatbot und einer Datenbank fest zu programmieren, erstellt man einen MCP-Server. Dieser Server fungiert als Katalog, der der KI mitteilt: „Hier sind die Werkzeuge, die ich habe (z.B.execute_sparql_query,get_quality_metrics), und so werden sie verwendet.“

Das „Evora“-Szenario: Ursachenanalyse in der Fabrikhalle

Schauen wir uns das in der Praxis an. In unserer Demo-App Evora erfassen wir Fertigungsdaten aus mehreren Werken, darunter Montageaufzeichnungen, Fahrgestelldaten und Bedienerprotokolle.

Das Problem

Ein Qualitätsingenieur bemerkt einen Rückgang der Kennzahlen, kennt aber die Ursache nicht. Normalerweise müsste man zur Ermittlung der Ursache drei verschiedene Systeme abfragen oder einen Datenanalysten bitten, die Daten nach Schicht, dann nach Maschine und schließlich nach Bediener aufzuschlüsseln.

Die Agentic-App-Lösung

direkt eingebettet in Mendix Die Anwendung ist ein KI-Agent. Da wir den Altair Knowledge Graph über einen MCP-Server bereitgestellt haben, kann der Entwickler einfach fragen:
„Besteht ein Zusammenhang zwischen Qualitätsmängeln und bestimmten Schichten? Welche Schicht weist die höchste Fehlerrate auf?“

Was passiert unter der Motorhaube?

Hier kommt der „agentische“ Teil zum Tragen. Das LLM (z. B. Claude Sonnet oder OpenAI GPT) analysiert die Absicht. Es erkennt, dass es diese Antwort nicht gespeichert hat, findet aber ein Werkzeug in seinem MCP-Werkzeugkasten, um den Graphen abzufragen.

1. Die Begründung: Der Agent erstellt eine Abfrage an den Wissensgraphen, um die Anzahl der Fehler, gruppiert nach Schicht, abzurufen.
2. Die Ausführung: Der MCP-Server führt die Abfrage gegen Altair Graph Studio aus.
3. Die Erkenntnis: Das Diagramm liefert die Rohdaten, und der Agent synthetisiert sie zu einer klaren Antwort.

Der Ingenieur kann dann weitermachen: „Gehen Sie der Nachtschicht auf den Grund. Handelt es sich um eine bestimmte Maschine?“ Der Agent ruft einfach die notwendigen Graph-Tools erneut auf, um die Antwort zu verfeinern.

Einmal schreiben, überall ausführen: Die Leistungsfähigkeit von MCP

Warum ist das besser als eine Standard-API-Integration? Portabilität.
Da die Logik in einem MCP-Server gekapselt ist, wird genau dieselbe Funktionalität genutzt wie vom Mendix Die App kann in andere KI-Clients integriert werden, ohne dass eine einzige Zeile Code neu geschrieben werden muss:

• In MendixDie Mitarbeiter in der Produktion nutzen den Agenten, um Probleme in Echtzeit zu beheben.
• In Altair Agent Studio: Datenwissenschaftler verwenden dieselbe Graphverbindung, um neue analytische Abläufe zu prototypisieren.
• In ChatGPT/Claude Desktop: Ein Enterprise-Architekt kann sich mit dem „Evora Graph MCP“ verbinden, um architektonische Fragen auf hoher Ebene zum Datenmodell zu stellen.

Sie entwickeln keinen Chatbot, sondern eine wiederverwendbare, KI-native Integrationsplattform.

Warum dies für die Fertigungs-IT relevant ist

Für Siemens Diese Architektur löst drei entscheidende Herausforderungen für Kunden und Industrieunternehmen:

1. Kontext statt Chaos: Es geht über die reine Dokumentensuche hinaus. Mithilfe eines Wissensgraphen versteht die KI die Struktur Ihrer Stücklisten und Prozesse, wodurch Fehlinterpretationen reduziert und die Genauigkeit erhöht werden.
2. Governance: Da die KI über einen MCP-Server auf Daten zugreift, kontrolliert die IT genau, was die KI sehen und tun darf. Sie laden Ihre Datenbank nicht in ein öffentliches LLM hoch, sondern stellen einem Agenten spezifische, kontrollierte Werkzeuge zur Verfügung.
3. Beweglichkeit: Mendix bietet die Geschwindigkeit, mit der Benutzeroberflächen und Arbeitsabläufe erstellt werden können, die diese KI-Erkenntnisse in reale Aktionen umsetzen – wie das Anhalten einer Produktionslinie oder die Planung einer Nachschulung der Bediener.

Der Weg nach vorne

Die Evora-Demo beweist, dass die Zukunft industrieller Software nicht nur in der Datenerfassung liegt, sondern auch in deren Synthese. Durch die Kombination Mendix Dank Altair für das Nutzererlebnis, Altair für den semantischen Kontext und MCP für die Konnektivität treten wir in das Zeitalter der agentenbasierten Anwendungen ein – Apps, die nicht nur Daten anzeigen, sondern Ihnen helfen, diese zu verstehen und darauf zu reagieren.