Probabilistische KI „Ingenieure können sich künstliche Kollegen aufbauen“

Das Gespräch führte Karin Faulstroh 9 min Lesedauer

Anbieter zum Thema

Wie lassen sich Simulationen beschleunigen, Entwicklungsprozesse automatisieren und KI-Agenten in der Industrie einsetzen? Im Interview geben Dr.-Ing. Kevin Cremanns, CTO und Co-Founder, und Jason Easaw, verantwortlich für Technical Key Accounts bei PI Probaligence, Einblicke in die Potenziale probabilistischer KI und agentischer Systeme „made in Germany“. 

Probaligence-Stand auf der Cadfem World Confenece 2026 in Darmstadt.(Bild:  Probaligence)
Probaligence-Stand auf der Cadfem World Confenece 2026 in Darmstadt.
(Bild: Probaligence)

Digital Engineering Magazin: Herr Dr. Cremanns, Probaligence entwickelt mit Stochos eine KI-Lösung für Engineering und Forschung. Was ist das Besondere an Ihrem Ansatz, und welche Herausforderungen können Sie damit lösen?

Dr.-Ing. Kevin Cremanns: Unser Ansatz unterscheidet sich in zwei wesentlichen Punkten von vielen anderen KI-Lösungen. Erstens setzen wir darauf, dass unsere Technologie lokal und auf handelsüblicher Hardware ausgeführt werden kann. Viele andere Lösungen laufen in der Cloud und benötigen erhebliche Rechenkapazitäten. Wir entwickeln unsere Algorithmen dagegen so, dass sie auch mit vergleichsweise wenig Daten auf einem normalen Laptop funktionieren.Das ist für viele Unternehmen ein wichtiger Aspekt, denn sie möchten die Kontrolle über ihre Daten behalten und sensible Informationen nicht unbedingt in eine Cloud übertragen. Gerade in Bereichen mit hohen Anforderungen an den Schutz geistigen Eigentums oder im Verteidigungsumfeld ist das relevant.

Kevin Cremanns (vorne rechts) beim KI-Deep-Dive im Rahmen von „Meet the Developers“ auf der Cadfem World Conference 2026.(Bild:  Probaligence)
Kevin Cremanns (vorne rechts) beim KI-Deep-Dive im Rahmen von „Meet the Developers“ auf der Cadfem World Conference 2026.
(Bild: Probaligence)

Der zweite Unterschied ist unser probabilistischer KI-Ansatz. Unsere KI liefert nicht nur eine Vorhersage, sondern gibt auch deren Unsicherheit an. Ingenieurinnen und Ingenieure können dadurch besser einschätzen, wie verlässlich ein Ergebnis ist und ob eine zusätzliche Simulation oder ein Experiment zur Validierung erforderlich ist. Die Einsatzmöglichkeiten sind vielfältig. Wir unterstützen beispielsweise Unternehmen aus der Chemie- und Pharmabranche bei der Entwicklung von Rezepturen und Medikamenten. Im Engineering reicht das Spektrum von Automobilherstellern und -zulieferern über den Kranbau bis hin zur Luft- und Raumfahrt.

Grundsätzlich geht es darum, aufwendige Simulationen und Experimente zu reduzieren. Wenn die KI aus vorhandenen Daten gelernt hat, können Ingenieure viele Fragestellungen mithilfe des Modells beantworten, anstatt jede Variante erneut simulieren oder experimentell untersuchen zu müssen. So lassen sich beispielsweise Tausende Varianten innerhalb weniger Minuten bewerten. In Verbindung mit Optimierungsverfahren ergeben sich daraus zusätzliche Möglichkeiten, Entwicklungsprozesse effizienter zu gestalten.

Digital Engineering Magazin: Sie setzen dabei auf vergleichsweise kleine KI-Modelle. Wie gelingt es Ihnen, mit weniger Daten auszukommen?

Dr.-Ing. Kevin Cremanns: Viele KI-Lösungen benötigen große Rechenkapazitäten, weil sie auf umfangreichen Modellen mit sehr vielen freien Parametern basieren. Je mehr Freiheitsgrade ein Modell besitzt, desto mehr Daten werden in der Regel benötigt, um diese Parameter zuverlässig an die jeweilige Aufgabenstellung anzupassen. Unsere Modelle sind vergleichsweise klein und können deshalb auch auf herkömmlicher Hardware ausgeführt werden. Gleichzeitig liefern sie für die jeweiligen technischen Anwendungsfälle sehr gute Ergebnisse. Unser Know-how liegt darin, die Algorithmen so zu entwickeln, dass sie mit weniger Freiheitsgraden und einer geringeren Datenbasis leistungsfähige Vorhersagen ermöglichen. Dadurch können Unternehmen KI auch dort einsetzen, wo nicht Tausende experimentelle Datensätze zur Verfügung stehen.

Digital Engineering Magazin: Ihre Technologie kann Simulations- und Messdaten miteinander kombinieren. Wie funktioniert das?

Dr.-Ing. Kevin Cremanns: Wir bezeichnen diesen Ansatz als Multifidelity. Dabei können unterschiedliche Datenquellen miteinander kombiniert werden, beispielsweise Simulationsdaten, Messwerte und experimentelle Ergebnisse. In der Praxis kommt es häufig vor, dass eine Simulation nicht vollständig mit dem späteren Experiment übereinstimmt. Das liegt unter anderem daran, dass sich nicht alle physikalischen Einflüsse und Details im Simulationsmodell abbilden lassen. Mit unserer Lösung können wir beide Datenarten zusammenführen. Die KI lernt, die Informationen aus der Simulation zu nutzen und gleichzeitig die Abweichungen zu berücksichtigen, die sich aus den experimentellen Ergebnissen ergeben. Das hat einen wesentlichen Vorteil: Unternehmen müssen nicht für jede Fragestellung zahlreiche Experimente durchführen, um ein zuverlässiges Modell aufzubauen. Stattdessen können sie mit vergleichsweise wenigen Experimenten – beispielsweise drei oder vier – beginnen und einen größeren Teil der benötigten Informationen aus Simulationen gewinnen. Diese sind häufig deutlich günstiger als reale Versuche. Das resultierende Modell kann die experimentellen Ergebnisse dadurch besser vorhersagen, ohne dass eine große Zahl zusätzlicher Versuche erforderlich ist. Besonders interessant ist das für Unternehmen mit intensiver Forschungs- und Entwicklungsarbeit, die neue Produkte oder Bauteile entwickeln. Auch in Bereichen, in denen Sicherheitsanforderungen eine experimentelle Validierung verlangen, kann dieser Ansatz helfen, den Aufwand zu reduzieren.

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung. Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).

Aufklappen für Details zu Ihrer Einwilligung

Digital Engineering Magazin: Teile Ihrer Technologie sind inzwischen in Ansys-Produkte integriert. Wie kam es dazu, und was bedeutet das für Anwender?

Jason Easaw: Wir sind seit einigen Jahren Teil der Cadfem Group. Die Zusammenarbeit passt gut, weil wir uns auf Forschung und Entwicklung konzentrieren, während Cadfem über einen etablierten Vertriebskanal und enge Verbindungen zum Ansys-Ökosystem verfügt.Wir haben 2022 mit der Integration erster KI-Modelle in Ansys optiSLang begonnen für Skalare und Signalgrößen. Seit Anfang 2026 kommt nun ein weiterer Teil unserer Technologie in Ansys SimAI Pro zum Einsatz, um 2D- und 3D-Felder auch bei sich verändernden Geometrien präzise vorherzusagen. Für den Bereich der dreidimensionalen Simulation war insbesondere die Möglichkeit relevant, eine leistungsfähige KI-Lösung lokal zu betreiben. Viele Unternehmen möchten ihre Berechnungen nicht zwingend in der Cloud durchführen. Das gilt beispielsweise für kleinere Unternehmen, den Verteidigungsbereich oder Organisationen, die besonders schützenswertes geistiges Eigentum verarbeiten. Unsere Technologie ist deshalb in Ansys SimAI Pro eingeflossen, das eine lokale Nutzung ermöglicht. Daneben gibt es eine cloudbasierte Variante für Unternehmen, die ihre Berechnungen bevorzugt in der Cloud durchführen.Damit können Anwender je nach Anforderungen an Infrastruktur, Datenschutz und Datenhoheit zwischen unterschiedlichen Betriebsmodellen wählen.

Digital Engineering Magazin: Sie entwickeln neben Ihrer probabilistischen KI zunehmend agentische Systeme. Was steckt dahinter?

Dr.-Ing. Kevin Cremanns: Mit unseren agentischen KI-Lösungen gehen wir über die Beschleunigung einzelner Simulationen hinaus. Unser Ziel ist es, komplette Engineering-Workflows zu automatisieren. Ein solcher Workflow kann beispielsweise damit beginnen, ein Bauteil zu erstellen und zu vernetzen. Anschließend wird das Simulations-Setup aufgebaut, die Berechnung durchgeführt und das Ergebnis in einem Report dokumentiert. Ein KI-Agent kann diese einzelnen Schritte koordinieren und die dafür benötigten Werkzeuge einsetzen.Die Idee ist, dass Ingenieurinnen und Ingenieure sich auf diese Weise gewissermaßen einen künstlichen Kollegen aufbauen können, mit dem sie in natürlicher Sprache kommunizieren.Ein Beispiel: Ein Kunde fordert, dass ein Bauteil zehn Prozent günstiger werden soll. Ein entsprechend konfigurierter Agent könnte die verfügbaren Werkzeuge nutzen, um mögliche Änderungen zu untersuchen, Varianten zu bewerten und Lösungsansätze zu erarbeiten.Dabei geht es nicht nur darum, eine einzelne Berechnung schneller durchzuführen. Vielmehr soll der Agent den gesamten Arbeitsablauf unterstützen, der notwendig ist, um eine solche Anforderung zu bearbeiten.

Das ist insbesondere für kleine und mittelständische Unternehmen interessant. Sie können ihre personellen Ressourcen nicht beliebig erweitern, wenn das Auftragsvolumen steigt. Agentische Systeme bieten die Möglichkeit, bestimmte Aufgaben automatisiert zu bearbeiten und so mehr Projekte parallel zu bewältigen.

Digital Engineering Magazin: Wie ergänzen sich probabilistische und agentische KI dabei?

Jason Easaw: Die beiden Ansätze passen sehr gut zusammen. Unsere probabilistische KI, die wir als Physics AI bezeichnen, kann aufwendige physikalische Simulationen beschleunigen und technische Vorhersagen liefern. Die agentische KI kann wiederum den übergeordneten Workflow organisieren und die dafür erforderlichen Werkzeuge nutzen. Ein Agent kann beispielsweise Daten zusammenstellen, Simulationen anstoßen, die probabilistische KI mit den gewonnenen Informationen nutzen und die Ergebnisse für eine technische Fragestellung aufbereiten. Dadurch entsteht ein Zusammenspiel: Die agentische KI koordiniert die Arbeitsschritte, während die probabilistische KI schnelle Vorhersagen für technische Fragestellungen ermöglicht. Wir sehen großes Potenzial darin, diese beiden Technologien stärker miteinander zu verbinden.

Digital Engineering Magazin: Gerade im Engineering ist die Verlässlichkeit von Vorhersagen entscheidend. Wie gehen Sie mit Unsicherheiten um?

Jason Easaw: Unsere Modelle geben zu jeder Vorhersage ein Unsicherheitsintervall beziehungsweise ein Konfidenzintervall aus. Diese Information lässt sich auch visualisieren, beispielsweise direkt an dreidimensionalen Strukturen. Die mathematische Grundlage für die Berechnung der Unsicherheit ist klar formuliert. Natürlich beruhen auch solche Verfahren auf bestimmten Annahmen, die berücksichtigt werden müssen. Die Ergebnisse und ihre Unsicherheiten lassen sich jedoch nachvollziehen. Für Ingenieure bedeutet das, dass sie nicht nur eine Vorhersage erhalten, sondern auch eine Einschätzung darüber, wie sicher diese ist. Sie können dann entscheiden, ob das Ergebnis für die jeweilige Fragestellung ausreicht oder ob eine zusätzliche Simulation beziehungsweise ein Experiment notwendig ist.Diese Entscheidung bleibt ein wesentlicher Bestandteil des Engineering-Prozesses. Die KI unterstützt die technische Bewertung, indem sie Informationen über die Verlässlichkeit ihrer Ergebnisse bereitstellt. Sie nimmt den Ingenieuren damit nicht automatisch die Verantwortung für die Validierung ab. Gerade bei sicherheitskritischen Anwendungen ist diese Transparenz wichtig. Eine KI sollte nicht nur schnell Ergebnisse liefern, sondern auch deutlich machen, wo die Grenzen ihrer Vorhersagen liegen.

Digital Engineering Magazin: Wo sehen Sie in den kommenden Jahren das größte Potenzial für probabilistische KI im Engineering?

Dr.-Ing. Kevin Cremanns: Die Entwicklung im Bereich der künstlichen Intelligenz verläuft derzeit sehr schnell. Deshalb ist es schwierig, genau vorherzusagen, welche Anwendungen sich in zwei oder drei Jahren durchsetzen werden. Ein wichtiges Feld ist aus meiner Sicht die Verbindung von agentischer und probabilistischer KI. Agentische Systeme können Workflows aufbauen, Daten generieren und verschiedene Werkzeuge miteinander verbinden. Die probabilistische KI kann anschließend genutzt werden, um Ingenieurinnen und Ingenieuren schnell Antworten auf technische Fragen zu geben – etwa bei neuen Kundenanforderungen oder in laufenden Entwicklungsprojekten. Gerade im Engineering ist diese Kombination interessant, weil die Verlässlichkeit der Ergebnisse eine zentrale Rolle spielt. Die Anwender müssen einschätzen können, wie gut sie sich auf eine Vorhersage verlassen können. Ich gehe deshalb davon aus, dass die Kombination beider Ansätze in den kommenden Jahren erheblich an Bedeutung gewinnen wird.

Digital Engineering Magazin: An welchen technologischen Entwicklungen arbeiten Sie derzeit konkret?

Dr.-Ing. Kevin Cremanns: Wir konzentrieren uns aktuell auf zwei Produkte: Stochos und Stochos Flow. Mit Stochos bieten wir unsere Physics AI an, die für unterschiedliche physikalische Fragestellungen eingesetzt werden kann. Unser Ansatz deckt bereits ein breites Spektrum ab. Zuletzt haben wir beispielsweise Partikelsimulationen ergänzt. Solche Berechnungen sind für viele Anwendungen relevant und können sehr aufwendig sein. Ein Schwerpunkt unserer weiteren Forschungsarbeit wird jedoch die agentische KI sein. Mit unserer Plattform Stochos Flow wollen wir es Anwendern ermöglichen, eigene agentische Workflows aufzubauen. Im Idealfall beschreibt der Ingenieur in natürlicher Sprache, was er erreichen möchte, und das System erstellt daraus den entsprechenden Ablauf. Das Potenzial ist groß: Unternehmen können ihre Mitarbeitenden entlasten, mehr Projekte gleichzeitig bearbeiten und bestimmte Prozesse stärker automatisieren.Unsere Physics AI entwickeln wir selbstverständlich ebenfalls weiter. Dabei orientieren wir uns stark an den Anforderungen unserer Kunden. Wenn ein Unternehmen eine konkrete technische Herausforderung hat, die wir mit unserer bestehenden Lösung noch nicht abdecken können, prüfen wir, wie wir die Technologie entsprechend erweitern können. Davon profitieren häufig auch andere Anwender mit ähnlichen Anforderungen. Unser Ziel ist es, KI nicht nur als Werkzeug für einzelne Berechnungen bereitzustellen, sondern sie zunehmend in vollständige Engineering-Prozesse zu integrieren.

Digital Engineering Magazin: Herr Dr. Cremanns, Herr Easaw, vielen Dank für das Gespräch!

Über Probaligence

Die PI Probaligence GmbH mit Sitz in Grafing bei München entwickelt KI-Lösungen für Engineering und Forschung & Entwicklung. Die Lösungen integrieren sich nahtlos in Ansys‑Workflows, da Probaligence ein offizieller Ansys Technology Partner und seit 2024 zur Cadfem Group gehört. Mit den Lösungen Stochos und Stochos Flow lassen sich Simulations- und Messdaten für schnelle Vorhersagen nutzen – inklusive Einschätzung der Vorhersageunsicherheit.