Mehr Effizienz für Programmierer Mit dem ‘KI-Kollegen’ schneller zum Codesys-Projekt

Anbieter zum Thema

CODESYS GmbH A member of the CODESYS Group

FAULHABER SA

Das Model Context Protocol integriert KI in Codesys zur Automatisierung SPS-Projektierung, steigert Effizienz durch automatisierte Code-Generierung und verbessert Fehlersuche. Es ermöglicht sichere lokale Lösungen und unterstützt Entwickler durch KI-gestützte Aufgaben wie Testskripte oder Verbesserungsvorschläge, während Versionskontrolle Änderungen nachvollziehbar macht.

SPS-Projekte werden heute immer komplexer, sollen aber gleichzeitig immer schneller umgesetzt werden. Das Codesys Development System als marktführende IEC-61131-3-Plattform bietet zahlreiche integrierte Funktionen zur schnellen Projektierung, die gleichzeitig zu einer hohen Codequalität führen, beispielsweise die automatische Syntaxergänzung (à la ‘IntelliSense’ von Microsoft) oder die Produktivitätssteigerungstools der Professional Developer Edition. Darüber hinaus lässt sich mit dem Application Composer auf Basis von vordefinierten Modulen sogar vollständiger Applikationscode generieren. Ob mit oder ohne Hilfsmittel - es ist letztlich doch der SPS-Programmierer, der aufgrund seiner Erfahrung und dem verfügbaren Code-Pool aus Bibliotheken die Logikaufgabe umsetzt.

Generative KI als ‘künstlicher Kollege’ verspricht Entlastung bei wiederkehrenden Aufgaben, doch die Integration solcher Systeme in bestehende Engineering-Werkzeuge war bislang aufwendig und proprietär. Jeder Anbieter kochte sein eigenes Süppchen, einheitliche Schnittstellen fehlten. Genau hier setzt das Model Context Protocol an: Ursprünglich von Anthropic entwickelt, dem Hersteller der KI Claude, definiert MCP ein standardisiertes Protokoll für den Datenaustausch zwischen grossen Sprachmodellen (Large Language Models – LLMs) und externen Anwendungen. Codesys nutzt dieses Protokoll mit einem integrierten MCP-Server. Damit lässt sich das Development System von KI-Systemen fernsteuern und eine neue Qualität der Mensch-Maschine-Zusammenarbeit im Automatisierungsumfeld erzeugen: Die Automatisierungsaufgabe wird in natürlicher Sprache formuliert und die KI übernimmt deren Umsetzung direkt im Projekt – sichtbar, nachvollziehbar und jederzeit korrigierbar.

Bildergalerie

MCP als Brücke zwischen Sprachmodell und Steuerungstechnik

Um zu verstehen, warum das Model Context Protocol für die Automatisierungswelt relevant ist, lohnt ein Blick auf die grundsätzlichen Beschränkungen grosser Sprachmodelle. LLMs wie GPT oder Claude werden mit öffentlich verfügbaren Daten trainiert. Ihr Wissen endet zu einem bestimmten Stichtag und beinhaltet somit keine aktuellen Projektstrukturen bzw. proprietären Bibliotheken. Für generische Fragen reicht das aus, doch sobald ein Modell konkreten SPS-Code in einem laufenden Projekt erzeugen oder analysieren soll, fehlt ihm der notwendige Kontext. MCP löst dieses Problem durch ein universelles Protokoll, das den Informationsaustausch standardisiert: Ein MCP-Server stellt definierte Werkzeuge und Datenzugriffe bereit, ein MCP-Client im Sprachmodell nimmt Anfragen entgegen und leitet sie weiter, und ein MCP-Host – etwa Claude Desktop –interagiert mit dem Tool. Diese Dreiteilung entkoppelt das KI-Modell von der konkreten Datenquelle: Anwenderinnen und Anwender können das zugrunde liegende LLM wechseln, ohne die Integrationslogik neu schreiben zu müssen.

Für Codesys bedeutet das: Der integrierte MCP-Server bindet das Development System standardisiert an KI-Systeme an. Die ohnehin vorhandene Kommandierungsschnittstelle ermöglicht einen Zugriff auf Projektstrukturen, Programmbausteine, Bibliotheken und Übersetzungsmeldungen. Komplexe Aufträge, die ein Mensch sonst manuell Schritt für Schritt codieren würde, lassen sich per Klartextbefehl delegieren.

Ein Beispiel: Die Anweisung ‘Lege einen Funktionsbaustein für eine Zweipunktregelung mit Hysterese an und instanziiere ihn im Hauptprogramm’ führt dazu, dass die KI den Baustein erzeugt, die Deklaration befüllt, den Instanzaufruf einfügt und das Projekt übersetzt – alles beobachtbar im geöffneten Editor. Compiler-Fehler erkennt die KI selbstständig, entwickelt Korrekturvorschläge und übersetzt erneut. Dieser iterative Zyklus aus Generieren, Prüfen und Korrigieren läuft automatisiert ab, während die programmierende Person die Kontrolle behält und jederzeit eingreifen kann. Der Codesys MCP-Server kommuniziert bereits erfolgreich mit Claude Desktop und OpenAI GPT-5. Der Prototyp für Codesys V3.5 SP22 erhält gerade Produktstatus und kann nach Freigabe im Frühjahr 2026 als Produkt-Add-on verwendet werden.

Praktischer Nutzen im Engineering-Alltag

Die Stärke der KI-Nutzung über MCP liegt nicht in spektakulären Einzelfunktionen, sondern in der Summe kleiner Entlastungen, die sich über einen Arbeitstag zu spürbarer Zeitersparnis addieren. So übernimmt sie monotone Tätigkeiten wie das Anlegen von Programmbausteinen samt Instanzen, manuelles Vervollständigen von Variablendeklarationen oder Schreiben von Testcode. Gerade für weniger erfahrene Entwicklerinnen und Entwickler verkürzt sich damit die Zeit bis zum ersten lauffähigen Ergebnis erheblich. Statt Syntax und Bibliotheksaufrufe nachzuschlagen, können sie sich auf die Logikaufgabe konzentrieren. Andererseits kann die KI bestehenden Projektcode erklären, strukturelle Schwachstellen (‘Code Smells’) identifizieren und Verbesserungsvorschläge machen – was auch für erfahrene Usern nützlich ist. Ein weiterer Anwendungsfall: Codesys bietet mit dem Test Manager ein integriertes Tool zum automatisierten Testen, doch die Erstellung von Testskripten ist zeitintensiv. Die KI kann auf Basis der Projektstruktur und der Bibliotheksdokumentation selbstständig Testfälle generieren und damit implizit zur Codequalität beitragen.

Für die KI gelten übrigens dieselben Grundsätze wie auch für menschliche User: Klare Variablennamen, konsistente Coding Guidelines, verständliche Kommentare und eine saubere Dokumentation der verwendeten Funktionen und Bibliotheken verbessern die Ergebnisse messbar. Umgekehrt kann das Sprachmodell als Gradmesser dienen: Versteht es ein Projekt nicht, werden auch neue Teammitglieder oder externe Dienstleister schwer klarkommen. Auch wenn die KI bei der Fehlersuche unterstützt, ersetzt sie keine fachmännische Validierung, bevor Code auf eine Maschine geladen wird. Tools zur Versionsverwaltung wie Codesys Git dokumentieren dabei, wer wann welche Änderungen vorgenommen hat – ein wichtiger Aspekt, wenn immer grössere Anteile einer Applikation maschinell entstehen.

Sicherheit und lokale Alternativen

Der Datenaustausch mit cloudbasierten LLMs wirft berechtigte Fragen zur Informationssicherheit auf. Unternehmen, deren Maschinen und Anlagen offline betrieben werden müssen bzw. deren Quellcode das Haus nicht verlassen darf, benötigen andere Lösungen. Zusammen mit Intel arbeitet Codesys hier an einem Forschungsprojekt: Mithilfe der KI-Runtime OpenVINOTM werden lokale, hochoptimierte Sprachmodelle für die SPS-Codegenerierung fein abgestimmt. Diese Modelle laufen ohne Cloud-Verbindung auf lokalen Intel-Prozessoren. Sie nutzen hybride Architekturen mit diskreten GPUs sowie integrierter KI-Beschleunigung über iGPU und NPU. Neue Intel-CPUs, die kurz vor der Freigabe stehen, reduzieren den Hardwarebedarf ganz erheblich und sind können damit auf Systemen mittlerer Leistungsfähigkeit eingesetzt werden. Der Vorteil: Prompts und Quellcode bleiben vollständig im Unternehmen, während die Programmierunterstützung dennoch verfügbar ist. Weil zur Anbindung an das Codesys Development System ebenfalls die MCP-Schnittstelle genutzt wird, können öffentliche und lokale Modelle einfach gewechselt werden. Die Technologie befindet sich derzeit in einer späten Forschungsphase, so dass Produkte bald verfügbar sein werden. Unabhängig davon, ob ein externes oder ein lokales Modell zum Einsatz kommt: Die Erklärbarkeit der KI-Vorschläge bleibt ein zentrales Thema. Generative Sprachmodelle können ihre Entscheidungswege in natürlicher Sprache darlegen und so die Einschätzung von Qualität und Brauchbarkeit erleichtern. Die Herausforderung liegt darin, den Überblick zu behalten, wenn ein Modell selbstständig Änderungen an einem Projekt vornimmt. Hier schliesst sich der Kreis zur Versionsverwaltung: Durch konsequente Commit-Protokolle lässt sich jederzeit nachvollziehen, welche Änderungen manuell und welche maschinell entstanden sind.

Ausblick: Vom Werkzeug zum virtuellen Kollegen

Die Entwicklung KI-gestützter Engineering-Funktionen steht erst am Anfang. Bereits verfügbar ist der Chatbot für die Codesys-Online-Hilfe, der technische Anwendungsfragen auf Basis der offiziellen Dokumentation beantwortet und dabei auf Halluzinationen verzichtet. Das heisst: Findet er keine passende Information, gibt er kein Ergebnis zurück. Parallel laufen Forschungsprojekte zur kontextbasierten Code-Vervollständigung für Structured Text. Weil bis zu 200 Zeilen Programmkontext berücksichtigt werden, gehen deren Ergebnisse deutlich über die eingangs erwähnte ‘IntelliSense’-Funktion hinaus. Externe Partner wie KS Solutions ergänzen das Ökosystem mit KI-basierter Code-Konvertierung zwischen verschiedenen SPS-Standards, etwa AWL/SCL und ST nach IEC 61131-3.

Auch in Zukunft werden hochqualifizierte Applikationsspezialisten weiterhin die spannenden Kernaufgaben übernehmen – aber effizienter und kreativer arbeiten, weil ihnen der ‘KI-Kollege’ lästige Routinearbeiten abnimmt. Der Schwerpunkt verschiebt sich dabei von der reinen Implementierung hin zur Aufteilung in Funktionseinheiten und deren exakter Problembeschreibung. Je präziser die Aufgabe formuliert ist, desto besser das Ergebnis. Dies gilt übrigens unabhängig von KI bereits heute bei der Nutzung des erwähnten Codesys Application Composers: Auch hier sind sauber beschriebene Modulen hilfreich. In jedem Fall gilt: Durch KI werden automatisiertes Testen sowie Versionierung weiter an Bedeutung gewinnen und SPS-Programmierinnen und -Programmierer zunehmend entlasten – ganz so wie ein hilfreicher Kollege.

(ID:50833684)