Generative KI in der ingenieurstechnischen Produktentwicklung
Wie Unternehmen Geschwindigkeit, Qualität und Wissen neu skalieren
Auf einen Blick
-
Die ingenieurstechnische Produktentwicklung entlang des V-Modells ist durch eine hohe Kopplung von Disziplinen (Mechanik, Elektrik/Elektronik, Software) und deren Artefakt-Beziehungen geprägt. Anforderungen, Systemarchitekturen, Funktionsmodelle, Simulationsergebnisse und Stücklisten entstehen in unterschiedlichen Engineering-Tools (z. B. CAD, CAE, PLM) und sind oft nur lose oder gar nicht miteinander verknüpft. End-to-End-Traceability über Artefakte hinweg – von Requirement bis Verifikation – ist selten konsistent umgesetzt. Änderungen propagieren nicht zuverlässig durch die Systemlandschaft, was zu Inkonsistenzen, redundanter Arbeit und erhöhtem Absicherungsaufwand führt. Gleichzeitig ist domänenspezifisches Wissen häufig nicht formalisiert, sondern steckt in individuellen Modellierungsentscheidungen, Berechnungslogiken oder Erfahrungswerten von Experten.
Die Herausforderung: Engineering im Spannungsfeld von Komplexität und Geschwindigkeit
Wir haben im Rahmen einer Studie mehrere Interviews mit Engineering- und AI-Expert:innen aus Industrie und Forschung geführt, aktuelle Literatur gesichtet (AI in New Product Development, Fraunhofer & pwc) und unsere Erfahrungen aus Kundenprojekten konsolidiert. Dabei zeigte sich: Der nachvollziehbare Wunsch nach einem vollständig automatisierten Engineering-Prozess ist aktuell und absehbar unrealistisch – und in der Praxis auch nicht nötig. Der größte Wert entsteht dort, wo lokale Optimierung durch generative KI sich in den ganzheitlichen Engineering-Prozess einfügt.
Drei strukturelle Hindernisse für eine wertstiftende Implementierung von Generativer KI im Product Engineering treten dabei besonders hervor:
- Fragmentierte Tool-Landschaften
Jeder Tool-Anbieter folgt eigenen Datenmodellen und Schnittstellen, wodurch ein durchgängiger Austausch erschwert wird. Ein unternehmensweiter Datenstandard existiert meist nicht. - Fehlende Durchgängigkeit und Traceability
Dokumentenbasierte Entwicklung führt zu Medienbrüchen, Redundanzen und mangelnder Rückverfolgbarkeit von Anforderungen, Simulationen und Tests – ein zentraler Effizienzkiller. - Implizites Wissen und verteilte Informationsflüsse
Jahrzehntelanges Erfahrungswissen steckt oft in einzelnen Köpfen oder versteckt in Dokumenten, statt in strukturierter, gemanagter Form vorzuliegen. KI kann dieses Wissen heute nur nutzen, wenn es systematisch erschlossen und explizit zentral hinterlegt wird.
Vor diesem Hintergrund wird klar: Die Zukunft gehört nicht dem komplett autonomen Engineering, sondern einem intelligenten Zusammenspiel aus menschlicher Expertise, strukturiertem Wissen und Generativer KI.
Lösungsansatz: Generative KI entlang des gesamten Engineering-Workflows
1. KI-gestütztes Requirements Engineering – Qualität am Ursprung erhöht Wiederverwendungsgrad
Ein Großteil späterer Probleme wird bereits in den Anforderungen verursacht. Die Interviews zeigen, dass Anforderungen häufig unvollständig, redundant oder mehrdeutig formuliert sind. Generative KI wirkt genau hier: Sie strukturiert Anforderungen, erkennt Inkonsistenzen und bereitet Informationen aus Stakeholder-Gesprächen schneller und sauberer auf. Semantische Suchverfahren stellen sicher, dass bereits vorhandene Anforderungen und freigegebene Lösungen wiederverwendet statt neu entwickelt werden – ein enormer Effizienzhebel. KI fungiert dabei immer als Assistenzsystem: Sie schafft Entlastung, behält aber den Menschen im Validierungsprozess.
2. Vom Text zum Systemmodell: KI als Einstieg in Model Based Systems Engineering (MBSE)
Viele Unternehmen möchten den Übergang zu Model Based Systems Engineering schaffen, scheitern jedoch an der Einstiegshürde. KI kann hier eine entscheidende Brücke schlagen, indem sie freitextliche Anforderungen in strukturierte SysML-Modelle überführt und damit Grundstrukturen schafft, die Ingenieur:innen weiter ausdetaillieren können. Dadurch entsteht Transparenz über Zusammenhänge, Abhängigkeiten und Unklarheiten, die in dokumentbasierten Prozessen verborgen bleiben. In der Praxis gilt das meist nur für klar begrenzte Domänen, gute Datenlagen und enge Use Cases. Während vollständige Systemmodelle weiterhin fachliche Expertise erfordern, ist die KI-gestützte Generierung von Subsystemen heute realistisch und bereits in Pilotprojekten etabliert.
3. Hybrid-KI-Simulation und Digital Twins: Vom stundenlangen Solver zur Echtzeitanalyse
Simulationen zählen zu den zeitkritischsten Schritten im Engineering. Klassische Finite-Elemente-Methoden (FEM) und Computational Fluid Dynamics- (CFD) Berechnungen dauern oft viele Stunden. KI-basierte Surrogatmodelle revolutionieren dies, indem sie auf Basis historischer Daten neue Varianten in Sekunden bewerten können. In Kombination mit Live-Digital-Twins entsteht ein dynamischer Lernkreislauf: reale Betriebsdaten fließen zurück in die Modelle, Simulationen werden automatisch neu angestoßen und Designänderungen früh bewertet. Die Interviews zeigen: Gerade hier liegen die größten Effizienzpotenziale – nicht durch Revolution, sondern durch beschleunigte Iterationen.
4. Konstruktion neu gedacht: Generatives Design und frühzeitige Validierung
Generatives Design – streng genommen kein GenAI sondern eher Machine Learning – ermöglicht es zum Teil schon jetzt, in Sekunden Hunderte Varianten zu erzeugen, die gleichzeitig hinsichtlich Gewicht, Steifigkeit, Bauraum oder Kosten optimiert sind. Gleichzeitig kann KI geometrische Probleme erkennen – Kollisionen, Toleranzverletzungen oder nicht simulationstaugliche Details – bereits in frühen Phasen automatisch. Dadurch lassen sich perspektivisch aufwändige manuelle Aufbereitungen für Simulationen vermeiden. Die Folge: radikal verkürzte Designzyklen, weniger Prototypen und eine deutlich höhere Variantenabdeckung.
5. Engineering-Wissen endlich nutzbar machen: Knowledge Graphs & agentische KI
Eine zentrale Erkenntnis aus den Interviews: Ohne strukturiertes Wissen bleibt selbst die beste KI wirkungslos. Unternehmen wie Rosenberger setzen deshalb bereits auf agentische KI-Systeme, die auf kurierten Wissensgraphen und Retrieval-Techniken basieren. Sie ermöglichen, technisches und Prozesswissen kontextbezogen entlang des gesamten Engineerings bereitzustellen und in KI-Workflows zu nutzen. Multimodale Modelle liefern zusätzlichen Nutzen, indem sie Informationen aus technischen Zeichnungen, Scans oder komplexen Symbolen automatisch extrahieren und strukturieren und damit besser durchsuchbar und interpretierbar machen. Entscheidend ist jedoch der kontinuierliche Aufbau und die Pflege dieser Wissensbasis – eine strategische Governance-Aufgabe, nicht nur ein Technologieprojekt.
Ergebnisse: Was Generative KI heute wirklich leisten kann
Die Expert:innen sind sich einig:
- KI agiert heute als Assistenz, nicht als Autopilot. Viele Schritte lassen sich beschleunigen, aber nicht vollständig automatisieren. Nicht jeder Engineering Schritt profitiert gleichermaßen von generativer KI.
- Die größten Effizienzgewinne entstehen zunächst lokal im V-Modell, müssen aber perspektivisch in eine end-to-end Betrachtung passen. Nur wenn die einzelnen Prozessschritte des V-Modells übergreifend integriert werden, entsteht ein messbarer Mehrwert.
- Daten, Wissen und Erfahrung sind der entscheidende Erfolgsfaktor – wenn sie für die KI nutzbar gemacht werden. KI kann nur so gut sein wie der bereitgestellte Kontext.
- Die Zukunft des Engineerings bleibt menschlich, aber stark unterstützt von KI-basierten Assistenzsystemen, die Geschwindigkeit, Qualität steigern und damit Raum für Kreativität schaffen.
Fazit: Jetzt ist der richtige Zeitpunkt, Generative KI im Product Engineering wirksam einzusetzen
Generative KI verändert die ingenieurstechnische Produktentwicklung – nicht durch radikale Umwälzungen, sondern durch pragmatische, sofort wirksame Hebel entlang des bestehenden Workflows. Die Technologie ist reif genug, um einen messbaren Nutzen zu stiften, und jung genug, um Unternehmen jetzt echte Innovationsvorteile zu verschaffen.
Wir begleiten Unternehmen genau in dieser Phase:
durch Prozessanalyse, datentechnische Grundlagenarbeit und die zielgerichtete Integration generativer KI‑Ansätze, die Engineering‑Teams spürbar entlasten, Entscheidungsqualität erhöhen und Produktentwicklung beschleunigen.
