Generative KI verändert, wer ein IoT-System aufbauen kann und wie lange das dauert. Über weite Strecken des letzten Jahrzehnts musste man einen Integrator beauftragen, wenn man Sensoren mit etwas Nützlichem verbinden wollte: jemanden, der wusste, welches Gerät man kauft, wie man seine Nachrichten dekodiert, wie man die Daten modelliert und wie man die Logik schreibt, die aus einem Messwert einen Alarm macht. Sprachmodelle können heute einen guten Teil dieser Einrichtungsarbeit anhand einer einfachen Beschreibung des Ziels übernehmen.
Das ist ein großer Umbruch, und man überschätzt ihn leicht. Ein Modell, das eine überzeugende Regel schreibt, kann genauso gut eine überzeugende Regel mit der falschen Einheit schreiben. Die nützlichen Fragen lauten: Welche Teile der Arbeit gehen an die KI über, welche bleiben bei Menschen, und woran erkennt man ein Werkzeug, das wirklich hilft, im Unterschied zu einem, das nur in der Demo gut aussieht?
Kurz erklärt
- Generative KI ist im IoT vor allem beim Aufbau nützlich: Hardware auswählen, Decoder schreiben, Regeln und Dashboards aus einem beschriebenen Ziel entwerfen.
- Wiederkehrende, zeitkritische Entscheidungen gehören weiterhin in deterministische Regeln, die jedes Mal gleich ablaufen.
- Das Hauptrisiko sind plausible Fehler, deshalb muss sich jede generierte Konfiguration testen und prüfen lassen, bevor sie läuft.
- Achten Sie beim Vergleich von Software darauf, wie Änderungen der KI geprüft und rückgängig gemacht werden, nicht nur darauf, was die KI erzeugen kann.
Wie wird generative KI im IoT eingesetzt?
Generative KI taucht im IoT in vier Arten von Arbeit auf, und es lohnt sich, sie auseinanderzuhalten, denn sie bergen sehr unterschiedliche Risiken.
An erster Stelle steht die Einrichtung. Jemand beschreibt, was er möchte – „Sag mir Bescheid, wenn es im Serverraum wärmer als 27 °C wird, und zeig die Messwerte auf einem Bildschirm“ –, und das Modell schlägt Geräte, Regel und Dashboard vor. Hier ist die Zeitersparnis am größten, weil die Einrichtung früher aus vielen kleinen technischen Schritten bestand.
Dicht dahinter folgt Code. Viele Sensoren senden kompakte binäre Payloads, die einen Decoder brauchen, also eine kurze Funktion, die Bytes in benannte Werte übersetzt. Modelle können solche Decoder gut anhand eines Datenblatts entwerfen, samt Umrechnungsformeln und Testeingaben.
Dann gibt es Fragen. Statt ein Diagramm zu bauen, fragt jemand „Welche Tiefkühler waren letzte Nacht zu warm?“ und bekommt eine Antwort. Das ist nützlich, allerdings ist es ein Werkzeug zur Analyse, nicht zum Aufbauen. Die Antwort ist nur so gut wie die Daten dahinter, deshalb muss das Modell Zeitstempel und Lücken sehen, nicht nur Werte.
Dokumentation und Übergabe runden die Liste ab: aus einem konfigurierten System eine lesbare Beschreibung machen, was jede Regel tut und wer welchen Alarm bekommt. Das ist unspektakulär, wird oft übersprungen, und Modelle erledigen es gut. Eine generierte Zusammenfassung der eigenen Regeln zu lesen, ist außerdem ein erstaunlich guter Prüfschritt: Wenn laut Beschreibung der Nachtalarm an die falsche Person geht, tut die Regel das wahrscheinlich auch.
Genauso wichtig ist, was auf der Liste fehlt. Für die Echtzeitentscheidungen selbst eignen sich generative Modelle nicht gut. Ein Lecksensor, der jedes Mal innerhalb von Sekunden ein Ventil schließen muss, braucht eine feste Regel. Ein Modell kommt bei jedem Durchlauf auf leicht andere Weise zu seinem Ergebnis und jeder Aufruf kostet eine Anfrage.
Es gibt noch einen unauffälligeren Grund, warum die Einrichtung der ideale Einsatzbereich ist. Wenn ein Modell Konfiguration für eine Plattform erzeugt, landet das Ergebnis in deren eigener Struktur: ein Gerät mit einem Typ, eine Regel mit einer Bedingung, ein Alarm mit Empfängern. Die Plattform kann all das validieren, bevor irgendetwas läuft, und ein Mensch kann jedes Element in den gewohnten Ansichten öffnen.
Wie funktioniert AIoT-Entwicklung?
AIoT-Entwicklung, also der Aufbau vernetzter Systeme, die IoT-Daten mit KI verbinden, durchläuft dieselben Phasen wie eh und je. Verändert hat sich, wie viel von jeder Phase ein Mensch von Hand erledigt.
| Phase | Bisher | Mit Unterstützung durch generative KI |
|---|---|---|
| Hardware auswählen | Datenblätter recherchieren, Lieferanten fragen | Ziel beschreiben, Vorschläge für Sensortypen und Modelle erhalten |
| Geräte verbinden | Netzwerkschlüssel und Profile für jedes Gerät konfigurieren | Agent registriert die Geräte und prüft, ob sie Daten senden |
| Daten dekodieren | Für jedes Gerätemodell einen Decoder schreiben und testen | Modell entwirft den Decoder aus dem Datenblatt, ein Mensch testet ihn |
| Logik aufbauen | Regeln oder Skripte von Hand schreiben | Modell entwirft die Regel aus einem Satz, ein Mensch prüft sie |
| Alarmierung | Empfänger und Kanäle Ansicht für Ansicht konfigurieren | Modell schlägt Schweregrad und Eskalationskette vor |
| Dashboards | Jedes Widget platzieren und konfigurieren | Modell richtet das Dashboard ein, ein Mensch ergänzt die Ansichten |
| Testen und übergeben | Manuelle Tests und schriftliche Dokumentation | Simulierte Messwerte, generierte Dokumentation, Freigabe durch einen Menschen |
Nehmen wir einen Hausverwalter, der für die Hauswirtschaftsräume von 12 Wohnungen Leckalarme möchte. Von Hand sehen die Schritte so aus: einen Lecksensor auswählen, 12 Geräte registrieren, einen Decoder schreiben oder finden, eine Regel bauen, festlegen, wer nachts benachrichtigt wird, und ein Dashboard anlegen. Mit einem Assistenten, der auf der Plattform handeln kann, beschreibt er das Ziel einmal, prüft, was angelegt wurde, und verwendet seine Zeit auf die Teile, die Urteilsvermögen verlangen, etwa wer angerufen werden soll, wenn nachts ein Leck auftritt.
Manche Phasen schrumpfen überhaupt nicht. Jemand muss nach wie vor durchs Gebäude gehen, um die Funkabdeckung zu prüfen, entscheiden, wo das Gateway hinkommt, Sensoren dort montieren, wo sich Wasser tatsächlich sammelt, und den einen austauschen, der kopfüber eingebaut wurde.
Kilo AI, die in Kilo eingebaute KI, ist für genau diese Arbeit am Bildschirm ausgelegt. Sie beschreiben das Ziel, und Kilo AI fügt die Geräte hinzu, richtet Regeln und Alarme ein und erstellt das Dashboard, auf dem Sie anschließend die gewünschten Diagramme platzieren. Die Bedingung einer Regel schreibt sie aus Ihrer Anfrage in normaler Sprache und kann nach der Bereitstellung einen passenden und einen nicht passenden Messwert simulieren, sodass Sie sehen, wie die Regel auf beide reagiert. Alles Destruktive, etwa das Löschen eines Geräts oder einer Regel, wartet auf Ihre ausdrückliche Bestätigung. Um diesen Aufbau-Workflow mit der Art zu vergleichen, wie Ihr Team heute Projekte einrichtet, nehmen Sie ein aktuelles Projekt, zählen die Ansichten und Schritte, die es gebraucht hat, und stellen sie dem gegenüber, was Kilo AI beim Aufbau und Betrieb eines IoT-Setups aus einer einzigen Beschreibung erstellt.
Welche Risiken hat generative KI im IoT?
Die Risiken sind selten dramatisch. Es sind plausible Fehler, denn eine generierte Konfiguration sieht meist richtig aus. Das sind die Muster, die in der Praxis Ärger machen.
Die Byte-Reihenfolge ist ein Klassiker. Angenommen, ein Sensor sendet die Temperatur als zwei Bytes, 00 F5, also 245, und laut Datenblatt ist durch 10 zu teilen: 24,5 °C. Ein Decoder, der die Bytes in umgekehrter Reihenfolge liest, erhält F5 00, also 62.720 oder 6.272 °C. Dieser Fehler fällt sofort auf. Ein falscher Skalierungsfaktor, der aus 24,5 eine 2,45 macht, ist weniger offensichtlich, und eine darauf aufgebaute Regel löst womöglich nie aus.
Ein weiteres Thema sind Einheiten. Ein Schwellenwert von „80“ bedeutet in Fahrenheit etwas ganz anderes als in Celsius, und ein Modell, das eine Regel aus einem beiläufigen Satz ausfüllt, muss raten, was Sie gemeint haben.
Schwellenwerte können plausibel, aber für den Standort falsch sein. „Alarm über 8 °C“ ist ein vernünftiger Standardwert für einen Apothekenkühlschrank und ein schlechter für einen Weinkeller. Generative KI füllt Lücken mit typischen Werten, deshalb muss jeder Schwellenwert gegen den Standort geprüft werden, für den er gedacht ist.
Subtiler ist die Frage der Reproduzierbarkeit. Stellen Sie einem Modell zweimal dieselbe Frage, bekommen Sie womöglich zwei leicht unterschiedliche Konfigurationen, beide vernünftig. Für einen ersten Entwurf ist das in Ordnung, es bedeutet aber, dass die generierte Regel oder der Decoder selbst das ist, was man aufbewahrt, prüft und versioniert, nicht der Prompt, der sie erzeugt hat.
Zuletzt der Umfang. Eine Anfrage wie „Schalte nachts im Ostflügel alles aus“ kann weiter ausgelegt werden als beabsichtigt, wenn das Modell Geräte sieht, von denen Sie vergessen hatten, dass sie so gekennzeichnet sind.
Menschliche Prüfung ist an drei Stellen am wichtigsten. Prüfen Sie Decoder gegen einen bekannten Messwert, etwa ein Thermometer neben dem Sensor. Prüfen Sie Regelbedingungen mit einem Wert, der auslösen sollte, und einem, der es nicht sollte. Und prüfen Sie jede Aktion, die einen Befehl an Anlagen sendet, bevor sie unbeaufsichtigt läuft. Eine Plattform, auf der Sie eine Regel mit Testwerten Schritt für Schritt durchlaufen oder Messwerte simulieren können, bevor sie live geht, macht diese Prüfungen zum Teil des normalen Arbeitsablaufs.
Wie wählt man KI-IoT-Software aus?
KI-IoT-Softwarelösungen unterscheiden sich stark, und Demos zeigen gern den Generierungsschritt, weil er auf dem Bildschirm gut aussieht. Die folgenden Fragen zielen auf das, was zählt, wenn ein System erst einmal läuft. Sie gelten für jeden Anbieter, auch für eigene KI-IoT-Software, die im Haus entwickelt wird.
Verbindet sie die Geräte, die Sie bereits haben, über die Protokolle, die diese nutzen, ohne dass Hardware ausgetauscht werden muss? Können Sie alles, was die KI angelegt hat, in denselben Ansichten sehen und bearbeiten, die auch ein Mensch nutzen würde? Wie zeigt sie Ihnen, was die KI geändert hat, und lässt sich eine Änderung rückgängig machen? Arbeitet das System am Standort weiter, wenn die Internetverbindung abbricht? Handelt die KI mit den Berechtigungen der Person, die sie nutzt, oder mit eigenen, weiter gehenden Rechten? Wie groß ist die Community aus Nutzern und Integratoren, die Sie um Hilfe bitten können? Wie wird abgerechnet, pro Gerät, pro Nutzer oder pro KI-Anfrage, und was passiert mit den Kosten, wenn Sie von 20 auf 2.000 Geräte wachsen? Und können Sie Ihre Daten exportieren, wenn Sie den Anbieter wechseln?
Rechnen Sie die Preisfrage kurz mit Ihren eigenen Zahlen durch. Ein Preis pro Nutzer wirkt für ein Dreierteam günstig und für ein Unternehmen teuer, das 40 Standortleiter jeweils ihr eigenes Gebäude sehen lassen will. Ein Preis pro Gerät wächst dagegen mit der Hardware. Wird die KI-Nutzung pro Anfrage abgerechnet, fragen Sie, wie viele Anfragen eine typische Einrichtung oder eine tägliche Zusammenfassung verbraucht, denn ein Agent, der jede Stunde jedes Gerät prüft, kann Tausende Aufrufe am Tag erzeugen.
Ein Anbieter von AIoT-Entwicklungsleistungen sollte jede dieser Fragen klar beantworten können.
Häufige Fragen zu generativer KI im IoT
Kann generative KI Code für IoT-Geräte schreiben?
Ja, für klar abgegrenzte Teile wie Payload-Decoder, Datenumrechnungen und kleine Skripte ist das Ergebnis oft ein guter erster Entwurf. Firmware, die auf dem Gerät selbst läuft, ist schwieriger, weil Speichergrenzen, Timing und Stromverbrauch vom genauen Chip abhängen und Fehler sich womöglich erst nach Wochen im Feld zeigen. Generierte Firmware sollte dieselben Tests durchlaufen wie jede andere.
Ist AIoT-Entwicklung dasselbe wie generative KI?
Nein. AIoT, kurz für Artificial Intelligence of Things, also künstliche Intelligenz der Dinge, umfasst jede KI, die mit IoT-Daten arbeitet, auch klassisches maschinelles Lernen wie Anomalieerkennung und Bildanalyse für Kameras. Generative KI ist ein Zweig davon, nämlich die Art, die Text, Code und Konfigurationen erzeugt, und in der AIoT-Entwicklung hilft sie vor allem dabei, das System aufzubauen und zu erklären.
Ersetzt generative KI IoT-Integratoren?
Sie verändert deren Arbeit eher, als dass sie sie abschafft. Routinekonfiguration geht schneller, sodass Integratoren mehr Zeit für Begehungen vor Ort, Funkabdeckung, Montage, sicherheitsrelevante Logik und die Gespräche darüber haben, wer auf welchen Alarm reagieren soll. Für die physische Installation und die Verantwortung für das Ergebnis braucht es weiterhin Menschen.
Ein Lagerraum mit Feuchtigkeitsproblem eignet sich gut, um die Aufbauseite zu testen. Beschreiben Sie das Ziel in einem Satz, etwa eine Warnung, wenn die Luftfeuchte über 70 % steigt, und lassen Sie Kilo AI im kostenlosen Tarif, der Platz für genau eine Regel bietet, das Gerät hinzufügen, die Regel schreiben und ein Dashboard dafür erstellen. Fügen Sie diesem Dashboard dann im Editor ein Feuchtediagramm hinzu. Prüfen Sie anschließend die generierte Bedingung mit einem Messwert über dem Grenzwert und einem darunter, bevor Sie sich darauf verlassen.