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

Dr. Florian Harzenetter, Dr. Steffen Kunnen, Oliver Engelstadt und Andreas Kratz

Dr. Florian Harzenetter, PTC

1. Ohne zentrale Datenquelle und effiziente Zusammenarbeit über Team- und Unternehmensgrenzen hinweg lässt sich diese Komplexität immer weniger beherrschen. Deshalb müssen zeitgemäße PLM-Systeme eine verlässliche, durchgängige Datenbasis schaffen. Von Anforderungen über Produktarchitektur, Produktdaten, Stücklisten und Änderungen bis zu regulatorischen Nachweisen müssen Daten über Disziplinen und Systeme hinweg verknüpft und nachvollziehbar sein. Deshalb erweitert PTC mit Codebeamer den PLM-Begriff in die frühen Phasen der Produktenwicklung. Mit PTC Orbit gehen wir noch weiter: Hier lassen sich Daten aus Systemen wie PLM, ERP, CRM, Service oder IoT, in einer Datenbasis verbinden und zugänglich machen.

2. PLM-Projekte sind heute erfolgreicher als zu Beginn der PLM-Ära. Wenn, dann scheitern sie selten allein aufgrund der Technologie. Häufigste Ursachen sind das Fehlen klarer Ziele sowie eines gut abgestimmten und kommunizierten Change-Prozesses für alle betroffenen Abteilungen und Stakeholder. Er sollte Mitarbeitende befähigen und ermutigen, neue Systeme zu nutzen und Arbeitsweisen zu verändern.

3. Wir sehen für KI im Wesentlichen zwei Szenarien: Erstens eingebettet in unsere Lösungen. Hier unterstützt KI die Nutzer direkt in ihrer Arbeitsumgebung und beschleunigt und vereinfacht Arbeitsabläufe. In Windchill erschließen KI-Tools z. B. Produktinformationen oder identifizieren doppelte Teile. Zweitens verbessern wir mit KI die Zusammenarbeit im System und über Systeme hinweg. Dank offener Schnittstellen lassen sich Workflows z. B. zwischen PLM, ERP und MES effizienter gestalten. So schaffen die Daten im PLM-System größeren Mehrwert fürs Gesamtunternehmen. Diesen Ansatz nennen wir ‚Intelligent Product Lifecycle‘.

PLM-Projekte sind heute erfolgreicher als zu Beginn der PLM-Ära. Wenn, dann scheitern sie selten allein aufgrund der Technologie.

Dr. Florian Harzenetter

Dr. Steffen Kunnen, Revalize

1. Ein verlässliches Datenfundament ist Grundvoraussetzung für PLM. Ein modernes System muss Datenkonsistenz über den Lebenszyklus sicherstellen, Prozesse und Abteilungen verknüpfen und zu ERP, CAD und KI integrierbar sein. Bei hoher Individualisierung und kurzen Entwicklungszyklen sind belastbare Multi-CAD- und Stücklistenverwaltung sowie die Möglichkeit, Anpassungen ohne eigenes IT-Projekt umzusetzen, erforderlich. Das Product Data Backbone von Pro.File schafft dafür die zentrale Datenbasis als Single Source of Truth. Diese wird unverzichtbar, wenn Unternehmen Compliance-Nachweise erbringen müssen, etwa im Rahmen der EU-Maschinenverordnung oder des Digital Product Passports.

2. Viele PLM-Projekte scheitern, weil Unternehmen bestehende Prozesse unüberprüft digitalisieren. Erfolgreiche Implementierungen beleuchten, wie ein Unternehmen tatsächlich arbeitet und wo Workarounds greifen. Das erfordert klare Verantwortlichkeiten und einen Business Case, sonst bleibt PLM schnell ein IT-Projekt, bei dem Systeme ausgetauscht werden, aber kein Mehrwert entsteht. Wer zusätzlich nah am Standard bleibt, hält das System langfristig wartbar und Konfigurationen reduzieren Custom-Code-Abhängigkeiten. Deshalb starten wir mit dem klaren Prozessdesign und schaffen Akzeptanz, indem wir betroffene Teams früh einbinden.

3. Semantische Suche, Anomalieerkennung, Auswirkungsanalysen und schnellere Dokumentationsprozesse mit Hilfe von KI sind bereits im Einsatz. Das funktioniert nur, wenn das Datenfundament stimmt: KI-Antworten sind nur so gut wie die Daten, auf denen sie basieren. KI kann fehlende Informationen nicht kompensieren – sie erfindet sie – und fragmentierte Daten führen zu unzuverlässigen Ergebnissen. Generative Konstruktion scheitert noch an fehlender Nachvollziehbarkeit und mangelndem Vertrauen. Fazit: Datenqualität ist die eigentliche KI-Strategie.

KI kann fehlende Informationen nicht kompensieren – sie erfindet sie – und fragmentierte Daten führen zu unzuverlässigen Ergebnissen.

Dr. Steffen Kunnen

Oliver Engelstadt, Solid System Team

1. Im Maschinen- und Anlagenbau treffen Variantenvielfalt, auftragsbezogene Konstruktion und das Zusammenspiel von Mechanik, Elektrik und Software aufeinander. Ein modernes PLM-System muss diese Komplexität strukturieren. Entscheidend sind vier Fähigkeiten: Erstens ein durchgängiges Varianten- und Konfigurationsmanagement, das kundenspezifische Aufträge aus modularen Baukästen und einer gemeinsamen Produktstruktur ableitet. Zweitens ein belastbares Änderungsmanagement mit klarer Versions- und Freigabelogik über alle Disziplinen hinweg. Drittens die nahtlose Integration von CAD-Systemen – auch in Multi-CAD-Umgebungen – und ERP, damit Stücklisten nicht doppelt gepflegt werden und die Datenführerschaft eindeutig geregelt ist. Viertens die lückenlose Rückverfolgbarkeit von der Anforderung bis zum ausgelieferten Produktstand. Mit der ab Januar 2027 geltenden EU-Maschinenverordnung und dem Cyber Resilience Act müssen Hersteller nachweisen, welcher Produktstand mit welcher Dokumentation und Software ausgeliefert wurde. Webbasierte Oberflächen machen Produktdaten zudem für Einkauf, Fertigung, Service und Zulieferer zugänglich, ohne dass jeder einen CAD-Arbeitsplatz benötigt. So wird PLM vom Konstruktionsarchiv zum digitalen Rückgrat des Unternehmens.

2. PLM-Projekte scheitern selten an der Software, sondern meist an drei Mustern: Erstens: bestehende Umwege werden übernommen. Zweitens: das System zu stark individualisiert. Was bei der Einführung maßgeschneidert wirkt, macht spätere Releasewechsel teuer und bremst die Weiterentwicklung über Jahre und drittens: die Schnittstelle zum ERP-System bleibt ein Nebenthema, obwohl gerade hier im Maschinen- und Anlagenbau der größte Nutzen – und das größte Konfliktpotenzial – liegt. Erfolgreiche Projekte beginnen mit einer Bestandsaufnahme von Prozessen, Datenqualität und Verantwortlichkeiten. Darauf aufbauend definiert ein klares Zielbild die Prozesse und die Datenführerschaft. Empfehlenswert ist ein standardnaher Einstieg mit schrittweisem Ausbau statt eines überladenen Großprojekts. Frühe Erfolge schaffen Akzeptanz. Ebenso wichtig sind die Einbindung aller Fachbereiche, eine realistische Datenmigration und praxisnahe Schulungen. Nach dem Go-live sichern interne Verantwortliche und ein erfahrener Partner die kontinuierliche Weiterentwicklung des Systems.

3. Den größten praktischen Nutzen von KI sehe ich darin, vorhandenes Produktwissen schneller auffindbar und wiederverwendbar zu machen. In PLM-Systemen steckt jahrzehntelanges Wissen über Bauteile, Baugruppen und Dokumente. Dennoch wird oft neu konstruiert, was bereits existiert, weil passende Teile nicht gefunden werden. KI unterstützt hier mit geometriebasierter Ähnlichkeitssuche, reduziert die Teilevielfalt und spart Aufwand in Konstruktion, Einkauf und Lager. Auch Kalkulationen und Angebote lassen sich durch den Vergleich mit ähnlichen Vorprojekten beschleunigen. Weitere Einsatzfelder sind KI-Assistenten, die Anforderungen und Änderungsanträge zusammenfassen, Auswirkungen auf die Produktstruktur aufzeigen und die Datenqualität prüfen. Voraussetzung ist eine saubere Datenbasis, denn KI ist nur so gut wie die verfügbaren Daten. Das PLM liefert dafür den nötigen Produktkontext. Ziel ist nicht, Ingenieure zu ersetzen, sondern sie von Such- und Routineaufgaben zu entlasten, damit mehr Zeit für echte Entwicklungsarbeit bleibt.

In PLM-Systemen steckt jahrzehntelanges Wissen über Bauteile, Baugruppen und Dokumente. Dennoch wird oft neu konstruiert, was bereits existiert.

Oliver Engelstadt

Andreas Kratz, TT PSC

1. Ein modernes PLM-System muss mehr sein als eine Datenverwaltung. Es muss einen durchgängigen Digital Thread schaffen, der Mechanik, Elektronik und Software über den gesamten Produktlebenszyklus verbindet. Entscheidend sind Varianten- und Konfigurationsmanagement, End-to-End-Traceability, Änderungsmanagement sowie die Integration von PLM, ALM, ERP und MES. Gleichzeitig sind Offenheit und standardisierte Schnittstellen wie REST APIs unverzichtbar, um bestehende Systeme flexibel anzubinden. Mit Blick auf den Einsatz von KI gewinnen zudem MCP-basierte Integrationskonzepte an Bedeutung. Nur eine offene Plattform kann sich schnell an neue Anforderungen anpassen und zukünftige Technologien sinnvoll integrieren.

2. PLM-Projekte scheitern selten an der Technologie, sondern an Prozessen, Daten und Organisation. Häufig fehlen klare Ziele, einheitliche Arbeitsweisen oder die Akzeptanz der Anwender. Erfolgreiche Unternehmen verstehen PLM als Business-Transformation statt als IT-Projekt. Voraussetzung sind saubere Prozesse, eine klare Datenstrategie und die enge Einbindung der Fachbereiche. Besonders wichtig ist, Organizational Change Management von Beginn an mitzudenken und nicht erst nach der Einführung zu adressieren. Erst wenn Prozesse, Daten und Menschen zusammenspielen, entsteht echter Mehrwert.

3. Der größte Nutzen von KI im PLM liegt heute in der intelligenten Nutzung vorhandener Produktdaten. KI hilft, Anforderungen zu analysieren, Zusammenhänge über Systemgrenzen hinweg zu erkennen, Traceability zu automatisieren und Auswirkungen von Änderungen schneller zu bewerten. Agentisierte KI im PLM minimiert die Durchlaufzeit der Entwicklung. Viele Schritte von Suche und Analyse über Dokumentation, Bewertung und Gestaltung können deutlich reduziert werden. Prozessgestaltung mit KI im PLM bedeutet schnelleren Output, kürzere Time-to-Market und maximale Effizienz. KI ersetzt dabei nicht den Ingenieur, sondern unterstützt ihn als intelligenter Copilot.

Erfolgreiche Unternehmen verstehen PLM als Business-Transformation statt als IT-Projekt.