Die Evolution der Künstlichen Intelligenz vollzieht derzeit einen fundamentalen Wandel von reaktiven generativen Modellen hin zu proaktiven, agentenbasierten Systemen („Agentic AI“). Dieser Beitrag untersucht die Implikationen dieses Paradigmenwechsels für die Mensch-KI-Kollaboration und die innovative Geschäftsentwicklung. Im Zentrum steht das Konzept der „Joint Cognitive Systems“ und die Notwendigkeit „Geteilter Mentaler Modelle“ (Shared Mental Models) für eine effektive Delegation. Es wird argumentiert, dass die bloße Chat-Interaktion durch artefakt-basierte Kommunikation und „Mission Control“-Metaphern ersetzt werden muss, um Vertrauen und Kontrollierbarkeit („Calibrated Trust“) in autonomen Workflows zu gewährleisten. Google Antigravity demonstriert hierbei, wie durch verifizierbare Artefakte (z.B. Implementierungspläne, Screenshots, Code-Diffs) die „Black Box“ der KI-Entscheidung transparent gemacht wird. Der Beitrag leitet hieraus ein Rahmenwerk für „Innovative Geschäftsentwicklung“ ab, in dem „Agentic Orchestration“ traditionelle Prozessmodelle ablöst und die Rolle des Menschen vom Operateur zum Architekten und Supervisor transformiert. Abschließend werden soziotechnische Designprinzipien für die Gestaltung resilienter Mensch-Agent-Teams in der Industrie 5.0 vorgestellt, die Sicherheit und Autonomie in Einklang bringen.

Ein KI-basierter Ansatz zur Unterstützung von Leitständen in großskaligen Infrastrukturen wird vorgestellt. Verteilte Datenquellen, unübersichtliche Dokumentation und komplexe Systemabhängigkeiten erschweren dort eine schnelle und verlässliche Entscheidungsfindung. Das entwickelte Assistenzsystem bündelt Wissen aus Betriebshandbüchern, Erfahrungswissen und Echtzeitdaten und stellt es über eine natürlichsprachliche Schnittstelle bereit.

Technisch basiert das System auf einer lokal betriebenen Multi-Agenten-Architektur, die Daten aus Monitoring- und Steuerungssoftware zusammenführt. Ein verifizierbarer Ablauf mit festen Rückkopplungsschleifen sorgt dafür, dass Ein- und Ausgaben überprüfbar und stabil bleiben. Dadurch lassen sich probabilistische Modelle in nachvollziehbare und reproduzierbare Handlungsschritte überführen – ein zentraler Aspekt für den Einsatz in sicherheitskritischen Bereichen.

Die Entwicklung und Erprobung erfolgen in wissenschaftlichen Anlagen, die am DESY Zeuthen aufgebaut werden. Der Beitrag beschreibt erste Ergebnisse, Herausforderungen bei Datenqualität und Integration sowie mögliche Beiträge des Ansatzes zu resilienten, transparenten und nachhaltigen KI-Unterstützungssystemen für Leitstände.

Für Kläranlagenbetreiber wird es zusehends schwerer, ihre hohe gesetzlich geforderten Reinigungsleistungen vor dem Hintergrund zunehmender klimabedingter Schwankungen einzuhalten. Insbesondere Blähschlammbildung infolge filamentöser Bakterien stellt ein Risiko für Anlagenbetreiber dar, welchem bisher nur durch hohen Energie- oder Chemikalieneinsatz begegnet wurde. DeepEcoWaterclean verknüpft Mikroskopiebilddaten mit 16S-rDNA-Sequenzierdaten, um KI-gestützte Bilderkennungsalgorithmen zur automatisierten Erkennung mikrobiologischer Zustände in Belebtschlamm zu trainieren. Der entwickelte Ansatz kombiniert Convolutional Neural Networks mit klassischer pixelbasierter Bilderkennung und erlaubt die Extraktion zentraler Strukturparameter (u. a. Filamentanzahl, Flockengröße, Filamentkonzentration) aus Phasenkontrastaufnahmen bei vergleichsweise kleinen Datensätzen, ohne künstliches Daten-Bootstrapping. In Verbindung mit Mikrobiom- und Betriebsdaten (Beta-Diversität, physikochemische Kenngrößen) werden Betriebszustände geclustert und problematische Veränderungen frühzeitig erkannt, sodass langanhaltende Drifts in der mikrobiellen Zusammensetzung von kurzfristigen, detergenzieninduzierten Blähschlammereignissen unterschieden werden können. Ein Dashboard stellt die Analyseergebnisse in Echtzeit bereit und unterstützt Betreiber bei der gezielten, ressourceneffizienten Steuerung von Belüftung und Fällmittelzugabe, wodurch Kosten, Energieverbrauch und Umweltrisiken reduziert werden.