Agentic AI in der Fertigung - Foundry Agent Service für Industrial Use Cases

Tim Steiner

06 Apr. 2026 — 8 Min. Lesezeit

Einleitung

AI-Chatbots kennt mittlerweile jeder. Du stellst eine Frage, bekommst eine Antwort - fertig. Aber was wäre, wenn eine KI nicht nur antwortet, sondern eigenständig handelt? Wenn sie Sensordaten analysiert, daraus Wartungsempfehlungen ableitet, die passende Ersatzteilbestellung auslöst und den zuständigen Techniker informiert - alles ohne manuellen Eingriff?

Genau das ist der Unterschied zwischen einem AI-Assistenten und einem AI-Agenten. Und mit dem Foundry Agent Service, der seit März 2026 im GA-Status verfügbar ist, wird das für die Fertigungsindustrie konkret umsetzbar.

In diesem Blogpost zeige ich dir, was den Foundry Agent Service ausmacht, welche industriellen Use Cases damit realisierbar sind und wie du einen eigenen Manufacturing Agent baust.

Was du in diesem Blogpost findest

Der Unterschied zwischen AI-Assistenten und AI-Agenten
Foundry Agent Service - Architektur und Konzepte
Fünf konkrete Industrial Use Cases
Hands-on: Einen Maintenance Agent mit dem Foundry SDK bauen
Sicherheit und Governance im industriellen Kontext
Observability für Agenten in Produktion

Von Assistenten zu Agenten - Was ist der Unterschied?

Um den Mehrwert von AI-Agenten zu verstehen, hilft ein direkter Vergleich:

	AI-Assistent	AI-Agent
Interaktion	Reagiert auf Fragen	Handelt proaktiv
Kontext	Einzelne Konversation	Zugriff auf Datenquellen, Tools, APIs
Autonomie	Keine eigenständigen Aktionen	Führt mehrstufige Workflows aus
Beispiel	"Was bedeutet dieser Fehlercode?"	Fehlercode erkennen → Ursache analysieren → Wartung planen → Techniker benachrichtigen

AI-Agenten können Tools aufrufen, Daten abfragen, Entscheidungen treffen und Aktionen auslösen. Sie arbeiten in Workflows, die über mehrere Schritte gehen und verschiedene Datenquellen einbeziehen.

Foundry Agent Service - Architektur und Konzepte

Der Foundry Agent Service basiert auf der Responses API und ist wire-kompatibel mit dem OpenAI Agents SDK. Das bedeutet: Code, der für OpenAI geschrieben wurde, läuft mit minimalen Änderungen auch auf Foundry. Agent Service handled Hosting, Scaling, Identity, Observability und Enterprise Security - du konzentrierst dich auf die Agent-Logik.

⚠️ Hinweis: Der „classic" Agent Service (basierend auf der Assistants API) ist seit Mai 2025 GA, aber deprecated mit Retirement am 31. März 2027. Dieser Post konzentriert sich auf den neuen Agent Service (Responses API, GA seit 16. März 2026). Für die Migration gibt es einen offiziellen Migration Guide.

Drei Arten von Agenten

Prompt Agents (deklarativ, GA): Vollständig über Konfiguration definiert - Instructions, Modellwahl und Tools. Ideal für schnelles Prototyping und interne Tools. Erstelle sie im Foundry Portal oder über das SDK.
Workflow Agents (Preview): Orchestrieren eine Sequenz von Aktionen oder koordinieren mehrere Agenten über deklarative Definitionen. Workflows lassen sich visuell im Foundry Portal oder per YAML in VS Code definieren - mit Branching-Logik und Human-in-the-Loop-Schritten.
Hosted Agents (Preview): Code-basierte Agenten, die mit einem Framework deiner Wahl (z.B. Microsoft Agent Framework, LangGraph) gebaut und als Container auf dem Agent Service deployt werden. Du schreibst die Orchestrierungslogik - Foundry managed Runtime, Scaling und Infrastruktur.

Multi-Model Support

Ein Agent ist nicht auf ein einzelnes Modell beschränkt. Je nach Aufgabe kann das optimale Modell gewählt werden:

GPT-5 / GPT-5 mini für komplexe Analyse- und Entscheidungsaufgaben
GPT-5 nano / GPT-5 chat für schnelle, kostengünstige Routineaufgaben
DeepSeek für Code-Generierung und technische Dokumentation
Phi-4 für Edge-Szenarien und latenz-sensitive Anwendungen (via Foundry Local)

Tools und Integrationen

Agenten können verschiedene Built-in und Custom Tools nutzen:

Built-in Tools:

Web Search: Echtzeit-Websuche mit Inline-Citations
Code Interpreter: Python-Code in einer Sandbox ausführen (z.B. für Datenanalyse, Charts)
File Search / Foundry IQ: Wissensbasen durchsuchen (Dokumentationen, Wartungshandbücher)
Azure AI Search: Grounding über bestehende Azure AI Search Indexes
Azure Functions: Eigene Logik als Tool bereitstellen
Browser Automation (Preview): Browseraufgaben per Natural Language ausführen
Microsoft Fabric (Preview): Daten in Fabric per Chat analysieren

Custom Tools:

MCP (Model Context Protocol): Anbindung externer Datenquellen und APIs über MCP-Server
A2A (Agent-to-Agent, Preview): Verbindung zu anderen Agenten über A2A-kompatible Endpoints
OpenAPI: Externe HTTP-APIs über OpenAPI 3.0/3.1-Spezifikationen anbinden

Industrial Use Cases für AI-Agenten

Hier fünf konkrete Szenarien, in denen AI-Agenten in der Fertigung einen echten Mehrwert liefern:

1. Predictive Maintenance Agent

Szenario: OPC UA Sensordaten von CNC-Maschinen werden über Azure IoT Operations gesammelt. Der Agent analysiert Vibrationsmuster, Temperaturverläufe und Zykluszeiten und erkennt frühzeitig Anomalien.

Workflow:

Sensordaten empfangen (über Foundry IQ / Event Hubs)
Historische Daten vergleichen
Anomalie erkennen → Schweregrad bewerten
Wartungsempfehlung generieren
Ticket im Wartungssystem erstellen (via MCP Tool)

2. Quality Inspection Agent

Szenario: Vision AI analysiert Bilder von gefertigten Teilen. Der Agent bewertet die Qualität, dokumentiert Abweichungen und passt bei Bedarf Prozessparameter an.

Workflow:

Bild von der Inspektionskamera empfangen
Qualitätsmerkmale extrahieren (Maße, Oberfläche, Defekte)
Gegen Toleranzen prüfen
Bei Abweichung: Root Cause aus historischen Daten ermitteln
Prozessanpassung vorschlagen oder automatisch durchführen

3. Supply Chain Agent

Szenario: Multi-Agent Workflow für intelligente Bestelloptimierung. Ein Agent überwacht Lagerbestände, ein zweiter analysiert Lieferantenperformance, ein dritter optimiert die Bestellmenge.

4. Shop Floor Assistant (Voice)

Szenario: Über die Voice Live API können Maschinenbediener per Sprache Fehlerdiagnosen abrufen, Wartungshistorien abfragen oder Prozessparameter nachschlagen - ohne die Hände von der Maschine zu nehmen.

5. OEE Analytics Agent

Szenario: Der Agent berechnet die Overall Equipment Effectiveness (OEE) in Echtzeit, erkennt Abweichungen in Verfügbarkeit, Leistung und Qualität und gibt proaktive Empfehlungen zur Optimierung.

Hands-on: Einen Maintenance Agent bauen

Genug Theorie - lass uns einen Agenten bauen. Wir erstellen einen Predictive Maintenance Agent, der Sensordaten analysiert und Wartungsempfehlungen gibt.

Voraussetzungen

✔ Ein Microsoft Foundry Projekt (ai.azure.com)
✔ .NET 8+ installiert
✔ Azure CLI mit Authentifizierung

Schritt 1: NuGet-Pakete installieren

Classic Pattern (Assistants API, deprecated - Retirement: 31. März 2027):

dotnet add package Azure.AI.Projects
dotnet add package Azure.AI.Agents.Persistent
dotnet add package Azure.Identity

Next-Gen Pattern (Responses API, empfohlen für neue Projekte):

dotnet add package Azure.AI.Projects --prerelease
dotnet add package Azure.Identity

⚠️ Wichtig: Die classic Agents (basierend auf der Assistants API und dem PersistentAgentsClient) sind deprecated und werden am 31. März 2027 eingestellt. Für neue Projekte empfiehlt Microsoft das Responses-API-Pattern. Das .NET-Paket Azure.AI.Projects 2.x ist aktuell noch in Beta (2.0.0-beta.1) - daher zeige ich hier beide Varianten.

Schritt 2: Agent erstellen und verwenden (Classic Pattern - C#)

💡 Dieses Beispiel nutzt den PersistentAgentsClient (Assistants API). Für neue Projekte empfiehlt sich das Responses-API-Pattern (siehe Alternative weiter unten).

using Azure.Identity;
using Azure.AI.Agents.Persistent;

var credential = new DefaultAzureCredential();
var endpoint = Environment.GetEnvironmentVariable("AZURE_AI_PROJECT_ENDPOINT")!;

var client = new PersistentAgentsClient(endpoint, credential);

// Maintenance Agent erstellen
PersistentAgent agent = await client.Administration.CreateAgentAsync(
    model: "gpt-4o",
    name: "maintenance-advisor",
    instructions: """
        Du bist ein Wartungsberater für industrielle Fertigungsanlagen.
        Analysiere OPC UA Sensordaten und gib Wartungsempfehlungen.
        Beachte Vibrationsmuster, Temperaturverläufe und Zykluszeiten.
        Priorisiere nach Dringlichkeit: Kritisch > Hoch > Mittel > Niedrig.
        Gib immer eine konkrete Handlungsempfehlung.
        """);

// Thread erstellen
PersistentAgentThread thread = await client.Threads.CreateThreadAsync();

// Sensordaten als Nachricht senden
await client.Messages.CreateMessageAsync(
    thread.Id,
    MessageRole.User,
    """
    Analysiere folgende Sensordaten der CNC-Fräse M-4711:
    - Spindel-Vibration: 4.2 mm/s (Normalbereich: < 3.0 mm/s) seit 48h
    - Temperatur Spindellager: 67°C (Normalbereich: 40-55°C)
    - Zykluszeit: +12% gegenüber Baseline
    - Stromaufnahme: stabil
    Was empfiehlst du?
    """);

// Agent ausführen und auf Ergebnis warten
ThreadRun run = await client.Runs.CreateRunAsync(thread, agent);

// Antwort abrufen
var messages = client.Messages.GetMessages(thread.Id);
foreach (var msg in messages)
{
    if (msg.Role == MessageRole.Agent)
    {
        foreach (var content in msg.ContentItems)
        {
            if (content is MessageTextContent textContent)
                Console.WriteLine(textContent.Text);
        }
    }
}

Schritt 3: Agent mit Tools erweitern (Classic Pattern)

Um den Agent wirklich nützlich zu machen, kann er mit Tools ausgestattet werden - z.B. mit Code Interpreter oder File Search:

PersistentAgent agentWithTools = await client.Administration.CreateAgentAsync(
    model: "gpt-4o",
    name: "maintenance-advisor-v2",
    instructions: "Du bist ein Wartungsberater mit Zugriff auf Wartungshistorie.",
    tools: new List<ToolDefinition>
    {
        new CodeInterpreterToolDefinition(),
        new FileSearchToolDefinition()
    });

Alternative: Agent mit Responses API (Next-Gen - C#, empfohlen)

Das empfohlene Pattern für neue Projekte nutzt die Azure.AI.Projects 2.x-Linie mit der neuen Agents API. Agent-Definition und Ausführung über den OpenAI-Client:

using Azure.Identity;
using Azure.AI.Projects;

var endpoint = Environment.GetEnvironmentVariable("AZURE_AI_PROJECT_ENDPOINT")!;
var modelDeploymentName = Environment.GetEnvironmentVariable("MODEL_DEPLOYMENT_NAME")!;

AIProjectClient projectClient = new(new Uri(endpoint), new DefaultAzureCredential());

// Agent erstellen (deklarativ - Prompt Agent)
PromptAgentDefinition agentDefinition = new(model: modelDeploymentName)
{
    Instructions = """
        Du bist ein Wartungsberater für industrielle Fertigungsanlagen.
        Analysiere OPC UA Sensordaten und gib Wartungsempfehlungen.
        Priorisiere nach Dringlichkeit: Kritisch > Hoch > Mittel > Niedrig.
        Gib immer eine konkrete Handlungsempfehlung.
        """
};

AgentVersion agent = await projectClient.Agents.CreateAgentVersionAsync(
    agentName: "maintenance-advisor",
    options: new(agentDefinition));

Console.WriteLine($"Agent erstellt: {agent.Name} v{agent.Version}");

// Responses API über den OpenAI-Client nutzen
var openAIClient = projectClient.GetOpenAIClient();
var responsesClient = openAIClient.GetResponseClient();

var response = await responsesClient.CreateResponseAsync(
    model: modelDeploymentName,
    input: """
        Analysiere folgende Sensordaten der CNC-Fräse M-4711:
        - Spindel-Vibration: 4.2 mm/s (Normalbereich: < 3.0 mm/s) seit 48h
        - Temperatur Spindellager: 67°C (Normalbereich: 40-55°C)
        - Zykluszeit: +12% gegenüber Baseline
        Was empfiehlst du?
        """);

Console.WriteLine(response.Value.GetOutputText());

// Aufräumen
await projectClient.Agents.DeleteAgentVersionAsync(
    agentName: agent.Name, agentVersion: agent.Version);

💡 Python-Alternative: Das gleiche Pattern ist auch mit pip install azure-ai-projects (v2.x) verfügbar. Die Python-API nutzt project_client.agents.create_version() und openai_client.responses.create() - die Konzepte sind identisch.

💡 Hinweis: MCP- und A2A-Tools unterstützen verschiedene Authentifizierungsmethoden - von API-Keys über Entra Agent Identity bis hin zu OAuth Identity Passthrough. Für industrielle Anwendungen empfehle ich die Verwendung von Managed Identity.

Sicherheit und Governance

In industriellen Umgebungen sind Sicherheit und Compliance nicht verhandelbar. Der Foundry Agent Service bietet:

Private Networking: BYO VNet, kein Public Egress - Daten verlassen das Unternehmensnetzwerk nicht
Content Safety: Integrierte Inhaltsfilterung verhindert unerwünschte Ausgaben
Audit Logging: Jede Agent-Interaktion wird protokolliert
RBAC: Rollenbasierte Zugriffskontrolle über Entra ID

Zusätzlich gibt es Integrationen mit Enterprise-Security-Lösungen:

Palo Alto Prisma AIRS (Preview) für policy-driven Runtime-Inspektion von Prompts und Model Responses - erkennt Prompt Injection und toxische Inhalte
Zenity (Preview) für Agent Security Posture Management - analysiert Agent-Intent und Ausführungspfade, erkennt unsicheren Tool-Zugriff

Observability - Agenten in Produktion überwachen

Ein Agent in der Produktion ist nur so gut wie seine Überwachung. Foundry bietet:

Built-in Evaluators: Coherence, Relevance, Groundedness, Retrieval Quality, Safety - automatische Qualitätsbewertung der Agent-Antworten
Custom Evaluators (Preview): Eigene KPIs definieren - z.B. "Wie oft hat der Agent die richtige Wartungsmaßnahme empfohlen?" LLM-as-a-Judge oder codebasierte Evaluatoren
Continuous Evaluation: Foundry sampelt automatisch live Traffic, führt Evaluator-Suites dagegen aus und zeigt Ergebnisse in integrierten Dashboards
Tracing: End-to-End Nachvollziehbarkeit jeder Agent-Entscheidung, Tool-Aufrufe und Model-Interaktionen
Azure Monitor Integration: Dashboards, Alerts (z.B. wenn Groundedness unter Schwellwert fällt) und Metriken - alles in Application Insights

📌 Tipp: Starte mit den built-in Evaluators und ergänze schrittweise Custom Evaluators für deine spezifischen KPIs.

Praxisbericht: Corvus Energy als Referenz

Ein konkretes Beispiel aus der Industrie: Corvus Energy, ein Hersteller von maritimen Batteriesystemen, nutzt den Foundry Agent Service in Kombination mit Microsoft Fabric, um über 1.500 Batteriesysteme weltweit zu überwachen. Statt manueller Inspektion analysieren Agenten kontinuierlich Telemetriedaten und erkennen frühzeitig Anomalien.

"Microsoft Foundry has delivered real value for our team. The updated interface makes our services and workflows faster, more capable, and easier to use — and we're now able to connect things that simply weren't possible before."
— Andreas Hunderi, VP of Global IT bei Corvus Energy

Die Lessons Learned:

Starte klein - ein einzelner Use Case, der einen klaren Mehrwert liefert
Menschliche Überprüfung - in der Anfangsphase sollte jede Agent-Entscheidung validiert werden
Iterativ verbessern - Agent-Prompts und Tools basierend auf Feedback optimieren

Fazit

AI-Agenten sind der nächste logische Schritt nach IoT-Plattformen. Wo bisher Daten gesammelt und visualisiert wurden, können Agenten jetzt eigenständig analysieren, entscheiden und handeln.

Der Foundry Agent Service bringt dafür die richtige Infrastruktur mit: GA-Status, Enterprise-Security, Multi-Model Support und ein umfangreiches Tool-Ökosystem. Für die Fertigungsindustrie bedeutet das konkrete Mehrwerte - von Predictive Maintenance über Qualitätssicherung bis hin zu sprachgesteuerten Shop Floor Assistenten.

Mein Rat: Fange mit einem klar abgegrenzten Use Case an. Ein Predictive Maintenance Agent für eine einzelne Maschinengruppe ist ein guter Einstieg. Sobald der Mehrwert nachgewiesen ist, lässt sich die Lösung schrittweise auf weitere Anlagen ausweiten.