Frequently Asked Questions Häufig gestellte Fragen

ZeroGuess AI is a multi-agent manufacturing intelligence blueprint for Industry 4.0 — not a SaaS platform, but an implementation architecture that gets deployed directly into your existing smart factory infrastructure. It connects to your MES, ERP, QMS, and WMS via IIoT interfaces, deploys 6+ specialist AI agents that analyze factory data in parallel, debate findings across 3 structured rounds, and deliver consensus-driven actionable insights — with specific machine, order, shift, and EUR impact. Everything runs on-premise — your data never leaves the plant. ZeroGuess AI ist ein Multi-Agenten-Fertigungsintelligenz-Blueprint für Industrie 4.0 — keine SaaS-Plattform, sondern eine Implementierungsarchitektur, die direkt in Ihre bestehende Smart-Factory-Infrastruktur ausgerollt wird. Es verbindet sich mit Ihrem MES, ERP, QMS und WMS über IIoT-Schnittstellen, setzt 6+ spezialisierte KI-Agenten ein, die Fabrikdaten parallel analysieren, Erkenntnisse über 3 strukturierte Runden debattieren und konsensbasierte, umsetzbare Handlungsempfehlungen liefern — mit konkreter Maschine, Auftrag, Schicht und EUR-Auswirkung. Alles läuft On-Premise — Ihre Daten verlassen nie das Werk.

Dashboards visualize data from one system at a time. Multi-agent AI reasons across multiple Industrial IoT systems simultaneously. Each agent specializes in one domain (production, quality, predictive maintenance, logistics), then they debate findings to uncover cross-system root causes that no single dashboard can detect. The result is not a chart — it's a concrete action recommendation with expected impact. Dashboards visualisieren Daten aus jeweils einem System. Multi-Agenten-KI denkt systemübergreifend über alle IIoT-Systeme. Jeder Agent ist auf eine Domäne spezialisiert (Produktion, Qualität, vorausschauende Wartung, Logistik), dann debattieren sie Erkenntnisse, um systemübergreifende Ursachen aufzudecken, die kein einzelnes Dashboard erkennen kann. Das Ergebnis ist kein Diagramm — es ist eine konkrete Handlungsempfehlung mit erwarteter Auswirkung.

Six core use cases: OEE Optimization (root cause analysis for availability, performance, quality losses), On-Time Delivery (at-risk orders, bottleneck machines, rescheduling), Revenue Intelligence (blocked orders, pull-forward potential, EUR impact), Quality Optimization (Cpk trends, scrap analysis, predictive interventions), Shopfloor Reports (daily 10-slide HTML briefing by 6:30 AM), and Strategic Planning (quarterly KPI roadmaps). See all use cases → Sechs Kernanwendungen: OEE-Optimierung (Ursachenanalyse für Verfügbarkeits-, Performance- und Qualitätsverluste), Liefertreue (gefährdete Aufträge, Engpassmaschinen, Umplanung), Revenue Intelligence (blockierte Aufträge, Pull-Forward-Potenzial, EUR-Auswirkung), Qualitätsoptimierung (Cpk-Trends, Ausschussanalyse, prädiktive Interventionen), Shopfloor-Berichte (tägliches 10-Folien-HTML-Briefing bis 6:30 Uhr), und Strategische Planung (Quartals-KPI-Roadmaps). Alle Anwendungen ansehen →

Yes. A live demo with a full smart factory simulation (including real databases, OEE data, orders, quality metrics, and warehouse data) is available at factory-intelligence.work. The simulation runs 24/7 and generates realistic manufacturing data with real-time production monitoring that the agents analyze continuously. Ja. Eine Live-Demo mit einer vollständigen Smart-Factory-Simulation (inklusive echter Datenbanken, OEE-Daten, Aufträgen, Qualitätsmetriken und Lagerdaten) ist verfügbar unter factory-intelligence.work. Die Simulation läuft rund um die Uhr und generiert realistische Fertigungsdaten mit Echtzeit-Produktionsüberwachung, die die Agenten kontinuierlich analysieren.

Round 1 (Map): Each specialist agent independently analyzes their domain data and produces findings. Round 2 (Discussion): A moderator identifies gaps and contradictions, asks targeted follow-up questions, and agents provide additional data from new MCP queries. Round 3 (Consensus): A draft report is created, specialists critique it, and the moderator synthesizes a final consensus with prioritized action recommendations. Learn more → Runde 1 (Map): Jeder Spezialistenagent analysiert unabhängig seine Domänendaten und erstellt Erkenntnisse. Runde 2 (Diskussion): Ein Moderator identifiziert Lücken und Widersprüche, stellt gezielte Rückfragen, und die Agenten liefern zusätzliche Daten aus neuen MCP-Abfragen. Runde 3 (Konsens): Ein Berichtsentwurf wird erstellt, Spezialisten kritisieren ihn, und der Moderator synthetisiert einen finalen Konsens mit priorisierten Handlungsempfehlungen. Mehr erfahren →

Four data sources via MCP (Model Context Protocol) servers, queried in parallel: ERP (orders, materials, delivery dates, BOMs), MES/Factory (OEE, machine data, production schedules, shift calendars), QMS (quality metrics, Cpk/SPC, complaints, notifications), and WMS (warehouse stock, material availability, shortages). MCP is an open standard that provides type-safe, structured data access without giving the LLM direct database access. Vier Datenquellen über MCP (Model Context Protocol)-Server, parallel abgefragt: ERP (Aufträge, Material, Liefertermine, Stücklisten), MES/Fertigung (OEE, Maschinendaten, Produktionspläne, Schichtkalender), QMS (Qualitätsmetriken, Cpk/SPC, Reklamationen, Meldungen), und WMS (Lagerbestand, Materialverfügbarkeit, Fehlmengen). MCP ist ein offener Standard für typsicheren, strukturierten Datenzugriff, ohne dem LLM direkten Datenbankzugang zu geben.

TypeScript monorepo with LangGraph for agent orchestration, PostgreSQL + TimescaleDB for time-series data, Redis + BullMQ for job queues, MicroK8s for container orchestration, MCP for standardized data access, and Qwen 2.5 72B via llama.cpp for on-premise LLM inference on 5× NVIDIA RTX 3060 GPUs. TypeScript-Monorepo mit LangGraph für Agenten-Orchestrierung, PostgreSQL + TimescaleDB für Zeitreihendaten, Redis + BullMQ für Job-Queues, MicroK8s für Container-Orchestrierung, MCP für standardisierten Datenzugriff, und Qwen 2.5 72B via llama.cpp für On-Premise-LLM-Inferenz auf 5× NVIDIA RTX 3060 GPUs.

Yes, 100%. The LLM (Qwen 2.5 72B) runs locally on GPU hardware via llama.cpp. All data stays within the factory network. There are zero cloud dependencies — no API calls to OpenAI, Google, or any external service. The entire stack (PostgreSQL, TimescaleDB, Redis, MicroK8s) runs on-premise. No production data ever leaves the plant. Ja, 100%. Das LLM (Qwen 2.5 72B) läuft lokal auf GPU-Hardware via llama.cpp. Alle Daten bleiben im Fabriknetzwerk. Es gibt keinerlei Cloud-Abhängigkeiten — keine API-Aufrufe an OpenAI, Google oder andere externe Dienste. Der gesamte Stack (PostgreSQL, TimescaleDB, Redis, MicroK8s) läuft on-premise. Produktionsdaten verlassen niemals das Werk.

The reference deployment uses 5× NVIDIA RTX 3060 GPUs for LLM inference (llama.cpp), plus standard server hardware for the application stack (MicroK8s cluster). The system runs on commodity hardware — no specialized AI accelerators or cloud GPU instances required. Total hardware cost is a fraction of cloud AI subscriptions. Die Referenz-Installation nutzt 5× NVIDIA RTX 3060 GPUs für LLM-Inferenz (llama.cpp), plus Standard-Serverhardware für den Applikations-Stack (MicroK8s-Cluster). Das System läuft auf Standardhardware — keine speziellen KI-Beschleuniger oder Cloud-GPU-Instanzen nötig. Die Gesamthardwarekosten sind ein Bruchteil von Cloud-KI-Abonnements.

A full 3-round multi-agent debate with deep-dive data retrieval takes approximately 3–10 minutes depending on complexity. The daily Shopfloor Report runs automatically and is ready by 6:30 AM. Individual domain analyses (e.g., OEE for one machine) complete in under 2 minutes. Eine vollständige 3-Runden-Multi-Agenten-Debatte mit Deep-Dive-Datenabfrage dauert etwa 3–10 Minuten je nach Komplexität. Der tägliche Shopfloor-Report läuft automatisch und ist bis 6:30 Uhr fertig. Einzelne Domänenanalysen (z.B. OEE für eine Maschine) sind in unter 2 Minuten abgeschlossen.