ChatGPT für TIA Portal: was geht, wo es scheitert
Ja, ChatGPT schreibt SCL für TIA Portal: Syntax erklären, ein Baustein-Gerüst entwerfen, ein AWL-Schnipsel übersetzen, dafür reicht der Browser-Chat völlig. Es kennt dein Projekt allerdings nicht, und genau dort verläuft die Grenze: Für echten Projekt-Code brauchst du einen Assistenten mit Zugriff auf Variablen, Datentypen und Bausteine, zum Beispiel AnyAutomation Studio, in dem GPT genauso läuft wie Claude oder Gemini, nur eben mit Projektkontext statt Copy-Paste.
Die folgende Aufstellung zeigt, wo die Grenze im Alltag konkret verläuft.
Aufgabe für Aufgabe
| Aufgabe | ChatGPT im Browser | Integrierter Assistent |
|---|---|---|
| SCL-Syntax und Sprachkonzepte erklären | Gut | Gut |
| Gerüst für einen neuen Baustein | Brauchbar, Symbolnamen erfunden | Echte Variablennamen und Datentypen aus dem Projekt |
| Bestehenden Baustein erklären | Nur, was du hineinkopierst | Liest den Baustein direkt aus dem Projekt |
| AWL nach SCL konvertieren | Schnipselweise | Ganzer Baustein, Schnittstelle und Kommentare bleiben |
| Code ins Projekt bringen | Copy-Paste | Openness-Import mit Diff und Bestätigung |
| Compile-Fehler beheben | Du tippst den Fehler ab | Compile gegen das echte Projekt |
| Ergebnis nachweisen | Nicht vorgesehen | SCL-Unit-Tests auf PLCSIM Advanced oder echter S7-SPS |
| Vertraulichkeit | Anlagen-Code in einem fremden Chat | Lokales Modell möglich, Projekt bleibt auf dem Rechner |
Was mit ChatGPT gut funktioniert
Für alles, was kein Projektwissen braucht, ist ChatGPT ein brauchbares Werkzeug: SCL-Syntaxfragen, das Erklären von Sprachkonzepten (Timer, Flankenauswertung, indirekte Adressierung), ein erster Baustein-Entwurf als Gerüst, oder eine grobe Übersetzung von AWL-Schnipseln nach SCL. Auch als Sparringspartner für Struktur-Fragen („wie würdest du eine Schrittkette für diese Anlage aufbauen?") liefert es solide Antworten. Zum Lernen und für kleine, in sich geschlossene Aufgaben ist der Browser-Chat oft schneller als jedes Werkzeug mit Einrichtungsaufwand.
Wo der Copy-Paste-Workflow scheitert
Das Grundproblem: ChatGPT kennt dein Projekt nicht. Daraus folgen die typischen Fehlerbilder:
- Erfundene Symbolnamen und Datentypen. Der generierte Code referenziert Variablen, die es in deinem Projekt nicht gibt, oder rät bei UDTs. Jeder Baustein braucht Nacharbeit, bevor er überhaupt kompiliert.
- Copy-Paste als Medienbruch. Code raus aus TIA, in den Browser, zurück, einfügen, Fehler abtippen, wieder in den Browser. Bei einem Baustein machbar, bei zwanzig eine Qual.
- Keine Rückkopplung. ChatGPT sieht weder Compilerfehler noch Querverweise. Es korrigiert nur, was du manuell zurückträgst.
- Kein Nachweis. Ob der Baustein tut, was er soll, zeigt sich erst auf der Anlage, weil im Browser-Chat kein Test läuft.
- Datenschutz. Anlagen-Code in einen fremden Browser-Chat zu kopieren ist in vielen Firmen schlicht nicht erlaubt.
Die Custom GPTs im GPT-Store („TIA Expert" und Ähnliches) ändern daran wenig: bessere Prompts, gleiche Grundgrenzen, denn auch sie sehen dein Projekt nicht.
Warum der Compiler in die Schleife gehört
Das ist keine Geschmacksfrage, es ist gemessen. Die Forschungspipeline LLM4PLC stellte Grammatikprüfer, Compiler und Verifikation um das Sprachmodell und hob damit die Erfolgsquote der Generierung von 47 auf 72 Prozent, die von Experten bewertete Codequalität von 2,25 auf 7,75 von 10 Punkten. AutoPLC, das SCL für TIA Portal und ST für CODESYS erzeugt und dabei direkt gegen die Hersteller-IDE validiert, meldet über 90 Prozent Compile-Erfolg auf einem Benchmark mit 914 Aufgaben. Agents4PLC baut denselben geschlossenen Kreis aus Generierung und Verifikation mit mehreren Agenten auf.
Genau dieser Kreis fehlt im Browser-Chat. Nicht weil das Modell schwächer wäre, sondern weil niemand das Ergebnis prüft ausser dir, von Hand.
Der Unterschied: Projektkontext
Ein integrierter Assistent dreht das Bild. Die KI für TIA Portal in AnyAutomation Studio liest Bausteine, Variablennamen und Datentypen über die offizielle Openness-API (V15-V21), generiert damit SCL, das zur Anlage passt, zeigt jede Änderung als Diff und importiert erst nach Bestätigung. Fehler fliessen zurück, Unit-Tests auf PLCSIM Advanced oder der echten SPS sichern das Ergebnis ab, und Git hält fest, was sich geändert hat. Wer nicht in eine Cloud will, fährt das Modell lokal über Ollama, LM Studio, vLLM oder SGLang.
Dabei musst du ChatGPT nicht aufgeben: Studio ist multi-provider, GPT lässt sich per Anmeldung oder eigenem API-Schlüssel genauso anbinden wie Claude, Gemini oder ein lokales Modell. Welches Modell sich wofür eignet, steht in Welches LLM für TIA Portal?, und alle Werkzeuge nebeneinander im Vergleich der KI-Tools für die SPS-Programmierung.
Was auch mit Projektkontext nicht geht
Der Kontext löst das Namensproblem, nicht das Verantwortungsproblem. Sprachmodelle erfinden weiterhin gelegentlich Systembausteine oder Parameter, Annahmen über Zykluszeit, Peripherie und Alarm-OBs gehören geprüft, und sicherheitsgerichtete Logik wird nicht generiert: F-Technik bleibt Handarbeit mit Abnahme. Vor jeden Import gehört ein Diff, hinter jeden Import ein Test. Mehr dazu im Leitfaden KI in der SPS-Programmierung.
Häufige Fragen
Kann ChatGPT SPS-Code für TIA Portal schreiben?
Ja, für Standardlogik in SCL und für Gerüste. Ohne Projektzugriff rät es allerdings Symbolnamen und Datentypen, der Code kompiliert selten beim ersten Versuch, und der Weg ins Projekt ist Copy-Paste. Für Lernaufgaben und kleine Bausteine reicht das, für Projektarbeit nicht.
Kann ChatGPT auf mein TIA-Projekt zugreifen?
Der Browser-Chat nicht. Zugriff auf Bausteine, Variablen und Datentypen liefert nur ein Werkzeug, das über die offizielle Openness-API mit TIA Portal spricht. AnyAutomation Studio tut das für V15 bis V21 und kann GPT dabei als Modell verwenden.
Bringen die Custom GPTs für TIA Portal etwas?
Sie verbessern die Prompts und das Vokabular, nicht den Zugriff. Auch ein „TIA Expert" im GPT-Store sieht dein Projekt nicht, prüft keinen Compile und führt keinen Test aus. Die Grundgrenzen bleiben dieselben.
Darf ich Anlagen-Code an ChatGPT schicken?
Das entscheidet deine interne Freigabe, nicht das Werkzeug. Wo Cloud-Chats gesperrt sind, bleibt ein lokales Modell über Ollama, LM Studio, vLLM oder SGLang: Die Inferenz läuft auf eigener Hardware, und der Code verlässt den Rechner nicht.
Was kostet die Alternative mit Projektkontext?
Der KI-Chat in AnyAutomation Studio ist ab dem Basic-Plan enthalten, CHF 10 pro Monat oder CHF 110 pro Jahr; Pro kostet CHF 30 oder 330, Pro+ CHF 50 oder 550. Dein ChatGPT-Abo oder ein eigener API-Schlüssel kommt dazu, ein lokales Modell kostet nichts extra. 30 Tage kostenlos testen.