Das LLM – der Experte für Sprache

Das Large Language Model ist das Gehirn. Es versteht Fragen, formuliert Antworten und erkennt Zusammenhänge in Sprache.

In unserem Beispiel übersetzt das LLM die Frage zunächst in einen Arbeitsauftrag. Allein kann es jedoch nicht wissen, was tatsächlich passiert ist oder was jetzt passieren soll. Es kennt weder deine Rezeptur, Produktionsdaten noch die Spezifikationen. Genau hier endet die  Aufgabe des LLM

RAG – Zugriff auf das Unternehmenswissen

Jetzt kommt RAG (Retrieval Augmented Generartion) ins Spiel, d.h. es verbindet das Sprachmodell mit deinem Unternehmenswissen und grundlegenden Rahmenbedingungen, z. B. das "Hürdenkonzept nach Leistner".

Statt Vermutungen zu formulieren, durchsucht das System beispielsweise

• IFS-Dokumente
• HACCP-Unterlagen
• Produktionsprotokolle
• Rezepturen / Rahmenbedingungen
• Prüfberichte
• Maschinenhandbücher
• Wartungsprotokolle

Es erkennt beispielsweise, dass die Zufuhr des Nitritpökelsalz in den Cutter bzw. Wurstbrät nicht 100% funktioniert hat. Ventilsteuerung defekt, sagt MES

Die Antwort basiert dadurch auf den Informationen Ihres Unternehmens und nicht auf allgemeinen Internetdaten. Für QS-Abteilungen ist genau dieser Unterschied entscheidend.

KI-Agenten – die digitalen Kollegen

Nun soll nicht nur eine Antwort entstehen. Konkrete Handlung/Aktion ist jetzt Phase.

Ein KI-Agent könnte automatisch

• den Produktionsbericht erstellen,
• den Schichtleiter informieren,
• ein Wartungsticket erzeugen,
• den Einkauf über steigenden Ausschuss informieren,
• alle Schritte dokumentieren.

Der Agent arbeitet also aktiv mehrere Aufgaben nacheinander ab. Er beantwortet nicht nur deine schlauen Fragen!

MCP – das Nervensystem

Damit all diese Systeme zusammenarbeiten, benötigen sie eine gemeinsame Verbindung: diese Aufgabe übernimmt MCP (Model-Context-Protocol).

MCP verbindet so ziemlich alles, was die Lebensmittelproduktion bewegt, erfordert und absichert.

• ERP (Enterprise Resource Planning)
• MES (Manufacturing Execution System)
• LIMS (Labor-Informations- und Management-System)
• Dokumentenmanagement
• Microsoft 365
• E-Mail
• Shopfloor-Systeme
• • Echtzeit-Überwachung: Sie zeigen sekundenaktuell, ob Maschinen laufen, stillstehen oder eine Störung haben.
  • Datenerfassung: Sie sammeln automatisch Betriebsdaten (Stückzahlen, Laufzeiten) und Maschinendaten (Temperatur, Druck).
  • Auftragssteuerung: Sie bringen die Produktionsaufträge digital direkt an den Arbeitsplatz vor Ort.
  • Qualitätssicherung: Sie dokumentieren Prozessparameter, um die Produktqualität lückenlos nachzuweisen. 
• IoT-Sensorik

Dadurch müssen Informationen nicht konstant manuell kopiert werden. Die Systeme sprechen dieselbe Sprache. Glücklicherweise wurden das "salzreduzierte" Wurstbrät nicht abgefüllt, gebrüht und verpackt. Noch Fragen?

Warum das für Lebensmittelunternehmen wichtig ist

Viele KMU Lebensmittelhersteller investieren in KI oder beginnen in den nächsten Monaten ihren ersten Einstieg mit einem Pilot-Projekt. Innovation, Hurra!

Weniger dieser Unternehmen investieren zunächst in die richtigen Prozesse, so die Erfahrung aus meinen Erstgesprächen. Dabei entscheidet selten das Sprachmodell über den Erfolg. Diese Logik erscheint vielen Gesprächspartnern zunächst unklar.

Der eigentliche Hebel liegt häufig in der Qualität der Daten, der Integration der Systeme und klar definierten Prozessen. Ein leistungsfähiges LLM kann schlechte Stammdaten nicht korrigieren. Ein Agent kann keinen Prozess automatisieren, der nie akkurat formuliert wurde.

Und selbst das beste MCP ersetzt keine fehlende Datenqualität.

Die häufigste Fehlannahme

In Gesprächen hören wir häufig: „Wir benötigen jetzt KI.“

Tatsächlich lautet die bessere Frage: Welcher Geschäftsprozess erzeugt heute den größten wirtschaftlichen Verlust – und welche Technologie löst genau dieses Problem? Erst danach lohnt sich die Auswahl von KI, Robotik oder Automatisierung.

Fazit

LLM, RAG, Agenten und MCP sind keine konkurrierenden Technologien. Sie erfüllen unterschiedliche Aufgaben innerhalb eines Gesamtsystems. Wer diese Rollen versteht, trifft bessere Investitionsentscheidungen und reduziert das Risiko teurer Pilotprojekte erheblich.

Deshalb beginnt erfolgreiche Digitalisierung nicht mit einer Software-Demo, sondern mit einer strukturierten Analyse der eigenen Prozesse, Daten und wirtschaftlichen Potenziale.