Anbieter zum Thema

CADFEM Germany GmbH

Transition Technologies PSC Germany GmbH

Solid System Team GmbH

Dassault Systemes Deutschland GmbH

PROCAD GmbH & Co. KG

mehr weniger

CONTACT Software GmbH

PTC

Autodesk GmbH

Mensch und Maschine Deutschland GmbH

Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik IPK

weniger

Jeroen Buring, Dr.-Ing. Kai Lindow und Wolfgang Huber

Jeroen Buring, Dassault Systèmes 

1. Ein modernes PLM-System muss Produktdaten, Prozesse und Engineering-Disziplinen über den gesamten Produktlebenszyklus hinweg miteinander verbinden. Unsere 3D Experience Plattform schafft dafür eine gemeinsame Daten- und Kollaborationsbasis für Entwicklung, Simulation und Fertigung und ermöglicht so fundierte Entscheidungen. Ein zentraler Baustein ist der virtuelle Zwilling: Produkte und Prozesse lassen sich frühzeitig virtuell abbilden und unter verschiedenen Bedingungen testen. So können Varianten schneller bewertet, Risiken früher erkannt und kostenintensive physische Prototypen reduziert werden.

2. PLM-Projekte scheitern oft daran, dass sie primär als Softwareeinführung verstanden werden. Wird bestehende Brownfield-Komplexität lediglich digital nachgebaut, steigen Customizing-Aufwand, Kosten und Update-Hürden. Erfolgreich wird PLM durch eine an Geschäftszielen ausgerichtete Umsetzung und sinnvoll standardisierte Prozesse mit der zugehörigen Infrastruktur. Die frühzeitige Einbindung der Fachbereiche und gezieltes Change-Management sind dabei entscheidend. PLM ist damit kein reines Softwareprojekt, sondern eine unternehmensweite Transformation.

3. Der Mehrwert von KI entsteht dort, wo sie industriellen Kontext versteht. Denn Engineering-Entscheidungen basieren auf komplexen Zusammenhängen aus Produktdaten, Modellen, Anforderungen, Simulationen und Prozessen. Der Industrial-AI-Ansatz von Dassault Systèmes verbindet KI mit genau diesem Engineering-Wissen. Virtual Companions nutzen Produktdaten, Simulationen, virtuelle Zwillinge und Unternehmensprozesse und können so Zusammenhänge schneller erfassen, Wissen kontextbezogen bereitstellen und bessere PLM-Entscheidungen unterstützen. 

PLM ist damit kein reines Softwareprojekt, sondern eine unternehmensweite Transformation.

Jeroen Buring

Dr.-Ing. Kai Lindow, Fraunhofer IPK

1. Ein modernes PLM-System muss vor allem die richtigen Daten miteinander verbinden und dafür sorgen, dass daraus nutzbare Informationen für das Unternehmen entstehen, idealerweise in Form von sogenannten Datenprodukten. Dafür braucht es eine solide Grundfunktionalität, gleichzeitig aber auch die Offenheit, eigene und externe digitale Anwendungen einzubinden. Dazu können auch vertrauenswürdige KI-Anwendungen gehören. Entscheidend ist zudem eine hohe Datenqualität. Nur wenn Daten vollständig, aktuell und nachvollziehbar sind, können Unternehmen sie effizient nutzen und zugleich steigende regulatorische Anforderungen zuverlässig erfüllen.

2. PLM-Projekte scheitern häufig weniger an der Technik als an fehlender Klarheit bei Verantwortlichkeiten und Zielen im Unternehmen. Ein neues System allein löst keine organisatorischen Probleme. Unternehmen müssen deshalb zunächst klären, was im Unternehmen verbessert werden soll und welcher konkrete Nutzen für die jeweiligen Stakeholder entstehen soll. Entscheidend sind außerdem ein gemeinsames Verständnis des Zielbilds, klare Verantwortlichkeiten und die frühzeitige Einbindung der Nutzenden.

3. Den größten praktischen Nutzen sehe ich derzeit bei der Suche, Aufbereitung und Nutzung von vorhandenem Wissen. In der Produktentwicklung entstehen große Mengen an Anforderungen, Spezifikationen, Modellen und weiteren Produktdaten, die heute oft nur mit viel Erfahrungswissen auffindbar sind. KI kann helfen, dieses Wissen schneller zugänglich zu machen und Zusammenhänge sichtbar zu machen. Besonders interessant ist für mich deshalb weniger die vollautomatische Entwicklung von Produkten, sondern die effiziente Unterstützung der Entwicklungsprozesse.

Nur wenn Daten vollständig, aktuell und nachvollziehbar sind, können Unternehmen sie effizient nutzen und zugleich steigende regulatorische Anforderungen zuverlässig erfüllen.

Dr.-Ing. Kai Lindow

Wolfgang Huber, Mensch und Maschine

1. Individualisierung erfordert einen klaren Prozess zur Erfassung der individuellen Anforderungen, die sich durch alle Phasen der Entwicklung und Fertigung ziehen. Kürzere Entwicklungszeiten werden unterstützt, indem Vorgänge, die bisher seriell abliefen, parallel in Angriff genommen werden – die Möglichkeit dazu wird erst mittels eines PLM-Systems erkannt. Intelligente Automatismen verkürzen Arbeitszeiten, die zentrale Datenhaltung schafft Transparenz und damit eine bessere Grundlage für Entscheidungen.

2. Es gibt zwei Hauptgründe: Unternehmen erwarten, dass das zukünftige PLM-System trotz unspezifischer Vorstellungen zunächst in einem Pflichtenheft zu 100% beschrieben wird, anstatt mit einem MVP, der kleinstmöglichen lauffähigen Lösung zu beginnen, diese vielen Nutzern zur Verfügung zu stellen, und sich mit agiler Implementierung dem Ziel zu nähern. Daneben werden Nutzer nicht ausreichend auf die Änderung der Arbeitsweise vorbereitet, der Sinn der Einführung wird nicht vermittelt. Das führt zu Verzögerungen und am Ende zur Ablehnung des Systems.

3. Aktuell hilft KI im PLM als Assistent für Recherche, für Zusammenfassungen, für Analysen. In Zukunft wird KI ganze Prozesse mitgestalten, auswerten und optimieren helfen. Im Engineering allgemein wird eine nach Firmenvorgaben trainierte KI Lösungsvorschläge für Aufgaben machen, die sich aus den Erfahrungswerten der bisherigen Projekte ergeben. Entwickler werden damit von Routineaufgaben entlastet und haben den Raum, ihre Kreativität entfalten. Entscheidend ist dabei, KI nicht als Selbstzweck zu sehen, sondern gezielt dort einzusetzen, wo sie Prozesse vereinfacht, Qualität erhöht und Entscheidungen unterstützt.

In Zukunft wird KI ganze Prozesse mitgestalten, auswerten und optimieren helfen.

Wolfgang Huber