“Starten Sie die Pumpe, wenn der Tankfüllstand unter 35 % fällt. Stoppen Sie sie bei 80 %. Wenn der Motor auslöst, stoppen Sie die Sequenz, setzen Sie einen Alarm und verlangen Sie eine manuelle Rücksetzung. Verhindern Sie einen sofortigen Neustart”.
Das klingt wie eine Zeile aus einer Maschinenspezifikation oder aus einem Gespräch zwischen Automatisierungsingenieuren. Es kann aber auch der Anfang eines SPS-Programms sein.
Generative KI kann eine Softwareanforderung in natürlicher Sprache innerhalb von Sekunden in nutzbaren Code umwandeln. Sie ist kein Automatisierungsingenieur, sondern ein bemerkenswert schnelles Werkzeug, um Projektanforderungen in ein strukturiertes Programm oder eine Funktion zu überführen.
Dieser Unterschied ist in der industriellen Automatisierung entscheidend. SPS-Code steuert physische Anlagen und Maschinen. Er muss deterministisch arbeiten, Verriegelungen durchsetzen, Fehler behandeln und sicher auf ausgefallene Sensoren oder veränderte Betriebsbedingungen reagieren. Kein Ingenieur würde solche Entscheidungen einem Chatbot überlassen.
Wo passt KI ins Bild?
Ein großer Teil der SPS-Entwicklung erfordert keine übergeordnete ingenieurtechnische Entscheidungsfindung. Es geht um Übersetzung und Wiederholung: Maschinenspezifikationen in Abläufe, I/O-Listen in Tags, Betriebsarten in Zustände und Fehleranforderungen in Alarme zu übersetzen. Darüber hinaus verbringen Ingenieure viele Stunden mit Deklarationen, wiederkehrenden Funktionen, Kommentaren und Dokumentation.
Genau diese Routinearbeit kann KI erheblich reduzieren. Jede eingesparte Stunde kann Entwicklungszyklen verkürzen, Engineering-Kosten senken und Fachkräfte für Aufgaben freistellen, die tatsächlich ihre Erfahrung und ihr Fachwissen erfordern.
KI schafft bereits messbaren Mehrwert in der Fertigung. Der Deloitte-Bericht AI in Manufacturing 2026 zeigt, dass 84 % von mehr als 140 befragten Herstellern einen messbaren Nutzen aus KI ziehen; 40 % setzen generative oder agentische KI ein.
Dieser Mehrwert kann nun auch auf die Steuerungsprogrammierung ausgeweitet werden.
KI-generierte Ergebnisse in die SPS-Steuerung integrieren
KI kann beispielsweise keine Kontaktplan-Logik erzeugen – aber sie kann Funktionen generieren, die aus einer Kontaktplan-Anwendung heraus aufgerufen werden können. Large Language Models arbeiten von Natur aus gut mit textbasierten Programmiersprachen und können Strukturierten Text (ST) erzeugen, eine textbasierte Sprache nach IEC 61131-3, die sich für Berechnungen, Schleifen, Arrays, Datenverarbeitung, Zustandsautomation, wiederverwendbare Funktionen und vieles mehr eignet.
ST ist daher eine natürliche Brücke zwischen einer Maschinenbeschreibung und ausführbarer Steuerungslogik.
Ingenieure können Kontaktplan dort einsetzen, wo sie diese bevorzugen, beispielsweise für diskrete Steuerungen, Verriegelungen und die Online-Fehlersuche, und gleichzeitig Zeit sparen, indem sie KI-generierte ST-Funktionen in dasselbe Projekt integrieren.
So lassen sich mit KI nutzbare SPS-Funktionen erzeugen
Ihr KI-Dienst kennt möglicherweise die Syntax von Strukturiertem Text, aber er kennt nicht automatisch den Kontext – beispielsweise die von Ihrer SPS-Plattform unterstützten Datentypen, die Projektstruktur, Namenskonventionen, Funktionen oder Importanforderungen. Ebenso wenig weiß er, welche Tags, I/Os, Strukturen und Funktionen bereits in Ihrem Projekt vorhanden sind.
Ohne diesen Kontext kann der generierte Code fast genauso viel Nacharbeit verursachen, wie er Zeit spart.
Unitronics begegnet diesem Problem mit dem AI Wizard in UniLogic, der Programmierumgebung für UniStream-Steuerungen. Der Workflow verbindet die Anforderung des Ingenieurs mit dem tatsächlichen Projektkontext, bevor der Code generiert wird:
1. Der Ingenieur beschreibt die gewünschte Anwendung oder Funktion in natürlicher Sprache oder fügt eine Spezifikation hinzu.
2. Relevante Projektelemente, darunter I/Os, Tags, Strukturen und bestehende Funktionen, werden als Kontext ausgewählt.
3. UniLogic erstellt einen anwendungsspezifischen Prompt sowie Plattformanweisungen für das vom Ingenieur ausgewählte KI-Modell, beispielsweise Claude oder ChatGPT.
4. Der Ingenieur überprüft das generierte Paket und importiert es in UniLogic. Bei einer vollständigen Anwendung kann dieses Paket Strukturen, Tags, Funktionen, Enumerationen, Initialwerte und ein Hauptprogramm enthalten.
Die generierte Ausgabe kennzeichnet außerdem Stellen, an denen die Spezifikation oder der Code noch menschliche Aufmerksamkeit erfordern. “Assume” kennzeichnet Annahmen, die aufgrund fehlender Informationen getroffen wurden. “To Do” weist auf noch offene Entscheidungen oder Aufgaben hin. “Fix Me” markiert nicht unterstützte Konstrukte oder Probleme, die korrigiert werden müssen.
Anstatt Unsicherheiten hinter scheinbar perfekt aussehendem Code zu verbergen, macht der Workflow sie sichtbar.
Was sich für den Automatisierungsingenieur ändert
Der unmittelbare Vorteil besteht nicht in einer autonomen SPS-Entwicklung.
Es geht vielmehr darum, weniger Zeit für die Erstellung der ersten Version routinemäßiger Logik, Deklarationen, Kommentare und Dokumentation aufzuwenden. Derselbe Wizard-basierte Workflow kann dabei helfen, bestehenden Strukturierten Text zu ändern oder zu erklären, eine Spezifikation auf fehlende Bedingungen zu überprüfen, potenzielle Logikprobleme für die technische Prüfung zu markieren und textbasierten Code an die UniLogic-Konventionen anzupassen.
Ein weniger erfahrener Ingenieur kann mit geführten Fragen beginnen und sehen, wie sich Maschinenanforderungen in Strukturiertem Text abbilden lassen. Ein erfahrener Ingenieur kann weniger Zeit mit dem Schreiben repetitiver Logik verbringen und mehr Zeit in die Überprüfung von Architektur, abnormalen Betriebszuständen, Wiederanlaufverhalten und Ergebnissen der Inbetriebnahme investieren.
Doch auch sauber aussehender, generierter Code kann einen ausgefallenen Sensor, einen Bedienereingriff, einen Wechsel der Betriebsart oder eine Wiederanlaufbedingung übersehen.
KI liefert einen Ausgangspunkt – keine geliehene Erfahrung.
Der Ingenieur trägt weiterhin die Verantwortung für die Maschine
SPS-Code steuert physische Anlagen und Maschinen. Unabhängig davon, ob KI im Entwicklungsprozess eingesetzt wird oder nicht, liegt die letztendliche Verantwortung beim Ingenieur, der Folgendes überprüfen muss:
-
Sicherheitsarchitektur, Risikobeurteilung, Verriegelungen und Fail-Safe-Verhalten,
-
Elektrokonstruktion, I/O-Auswahl, Vollständigkeit der Sequenzen und Fehlerwiederherstellung,
-
Simulation, Kompilierung, Tests am Prüfstand, FAT, SAT, Änderungsmanagement und finale Freigabe,
-
Schutz von Projektdaten, Zugangsdaten, geistigem Eigentum und Netzwerkzugriffen bei der Nutzung externer KI-Dienste.
Die Verwendung natürlicher Sprache macht die SPS nicht probabilistisch. Die eingesetzte Steuerung führt weiterhin deterministische Logik mit expliziten Zuständen, Verriegelungen und getestetem Verhalten aus.
KI gehört an eine frühere Stelle im Workflow – dort, wo Anforderungen strukturiert und der erste Codeentwurf für die menschliche Beurteilung vorbereitet werden.
Ein neuer Ausgangspunkt für die SPS-Programmierung
Kann die SPS-Programmierung also mit einem Satz beginnen? Ja – aber der Ingenieur muss weiterhin definieren, was die Maschine tun soll, was sie niemals tun darf und wie sie reagieren soll, wenn die Bedingungen nicht normal sind.
UniLogic AI nimmt dem Engineering nicht die Kontrolle über den Prozess. Es beseitigt den leeren Bildschirm. Durch die Zusammenführung von Anforderung, tatsächlichem Projektkontext und Plattformregeln liefert es schneller einen überprüfbaren ersten Entwurf und macht ungelöste Annahmen von Anfang an sichtbar.
Direkt in UniLogic integriert und ohne zusätzliche Kosten verfügbar, macht der Workflow KI-gestützte Entwicklung für Maschinenbauer und Systemintegratoren jeder Größe zugänglich.
Weniger Zeit für die Übersetzung von Anforderungen in Code. Mehr Zeit, um nachzuweisen, dass die Maschine sicher, zuverlässig und betriebsbereit ist.
Die Zukunft der SPS-Programmierung beginnt nicht mit weniger Engineering. Sie beginnt mit einem besseren ersten Entwurf.
