Engineering-Prozesse optimieren KI-Agenten in der Fahrzeugentwicklung

Anbieter zum Thema

The MathWorks GmbH

Aerotech GmbH

aPriori Deutschland

Zwar können KI-Agenten die Softwareentwicklung erheblich beschleunigen. Doch ihr Potenzial entfaltet sich erst im richtigen Engineering-Prozess. Wie Model-Based Design und klar definierte Workflows dabei helfen, Agentic AI sicher und nachvollziehbar in die Fahrzeugentwicklung zu integrieren, zeigt MathWorks.

Ein KI-Agent, der Code generiert, ohne den richtigen Entwicklungsprozess einzuhalten, produziert lediglich schneller fehlerhafte Ergebnisse. In der Automobilindustrie führt der Weg zur Produktionssoftware nicht direkt von den Anforderungen zum Code. Etablierte Entwicklungsprozesse stellen sicher, dass Ergebnisse systematisch überprüft, nachvollzogen und freigegeben werden können. Dieses Prozesswissen ist deshalb auch für den erfolgreichen Einsatz von KI-Agenten entscheidend.

Seit Anfang dieses Jahres arbeitet Mathworks gemeinsam mit Automobilunternehmen daran, Agentic AI für die Entwicklung von Embedded-Software im Fahrzeug einsetzbar zu machen. Aus dieser Zusammenarbeit lassen sich drei zentrale Erkenntnisse ableiten.

Erkenntnis 1: Prozesswissen muss auf Agenten übertragen werden

Automotive Engineering führt nicht auf direktem Weg von den Anforderungen zur Implementierung. Ingenieurteams folgen etablierten Prozessen, um das System- oder Produktdesign zu definieren, alternative Vorschläge zu bewerten, das Verhalten des Systems zu verifizieren, Änderungen zu steuern und Ergebnisse freizugeben. Solche Prozesse gewährleisten nicht nur, dass Arbeitsergebnisse qualitativ hochwertig und sicher sind. Sie schaffen auch die erforderlichen Nachweise und die Rückverfolgbarkeit, die Ingenieure benötigen, um ein Arbeitsergebnis freigeben zu können.

Automotive Engineering führt nicht auf direktem Weg von den Anforderungen zur Implementierung. Ingenieurteams folgen etablierten Prozessen, um das System- oder Produktdesign zu definieren, alternative Vorschläge zu bewerten, das Verhalten des Systems zu verifizieren, Änderungen zu steuern und Ergebnisse freizugeben. Solche Prozesse gewährleisten nicht nur, dass Arbeitsergebnisse qualitativ hochwertig und sicher sind. Sie schaffen auch die erforderlichen Nachweise und die Rückverfolgbarkeit, die Ingenieure benötigen, um ein Arbeitsergebnis freigeben zu können.

Ein Großteil dieses Prozesswissens basiert auf jahrelanger ingenieurtechnischer Erfahrung. Ingenieure wissen, welche Schritte nicht übersprungen werden dürfen, wann zusätzliche Tests erforderlich sind und wo Abkürzungen Risiken mit sich bringen. Ein Teil dieses Wissens ist dokumentiert. Ein Großteil davon ist jedoch in den täglichen Arbeitsabläufen intuitiv integriert.

KI-Agenten verstehen diesen Kontext nicht automatisch. Es reicht nicht aus, ihnen Zugriff auf Systemanforderungen, Prozessdokumentation und Engineering-Tools zu geben. Der Agent benötigt außerdem klare Vorgaben, welches Ergebnis erwartet wird, welche Prozesse und Werkzeuge er einsetzen muss und welche Rahmenbedingungen einzuhalten sind. Darüber hinaus muss festgelegt werden, an welchen Punkten eine menschliche Prüfung und Freigabe erforderlich ist.

Um diesen Ansatz wirksam umzusetzen, muss die Entwicklungsarbeit daher in Aktivitäten mit klaren Eingaben für den Agenten, erwarteten Ergebnissen, Einschränkungen und Verifizierungskriterien unterteilt werden. Jede Aktivität stellt einen Entscheidungspunkt für den Agent und Ingenieur dar. Erfüllt das generierte Ergebnis die definierten Kriterien, wird der Prozess des KI-Agenten fortgesetzt. Ist dies nicht der Fall, wird das Arbeitsergebnis überarbeitet oder zur Prüfung durch einen Menschen eskaliert.

Software 

Mathworks bringt Agentic AI in Matlab

Erkenntnis 2: Ausführbare Modelle ermöglichen die Validierung von KI-Ergebnissen und erleichtern Engineering-Reviews

Model-Based Design beinhaltet mehr, als Modelle zu zeichnen oder Code zu generieren. Ausführbare Modelle bilden Systemverhalten und Designabsicht auf einer Ebene ab, die Ingenieure verstehen, diskutieren und überprüfen können. Mithilfe von Simulationen lässt sich das Systemverhalten bereits vor der Implementierung bewerten. Gleichzeitig entstehen über den gesamten Entwicklungsprozess hinweg belastbare Nachweise zu Ergebnissen.

Für Agentic AI ist dies besonders relevant. Der Agent ersetzt die Verantwortung der Ingenieure nicht. Menschen definieren weiterhin die Zielsetzung und die Abnahmekriterien. Vielmehr führen Agenten klar umrissene ingenieurtechnische Aufgaben aus und generieren mögliche Lösungen. Modelle, Simulationen und Tests liefern die erforderlichen Nachweise für die erzeugten Ergebnisse. Ingenieure wiederum prüfen diese Nachweise und tragen weiterhin die Verantwortung für die abschließende Freigabe.

Es ist allgemein anerkannt, dass Ingenieure weiterhin in die Arbeit mit dem Agenten eingebunden bleiben müssen. Entscheidend ist jedoch, dass sie die Ergebnisse von agentenbasierten KI-Workflows schnell und effektiv überprüfen können, ohne durch diesen Review-Prozess überlastet zu werden. Hierbei ist die Überprüfung eines Modells und seines simulierten Verhaltens häufig praktikabler als Tausende Zeilen generierten Codes nachvollziehen zu müssen. Ausführbare Modelle helfen somit nicht nur bei der Bewertung KI-generierter Ergebnisse. Sie schaffen auch eine gemeinsame Grundlage, um die Designabsicht abzugleichen und zu entscheiden, ob die Arbeit mit dem KI-Agenten fortgesetzt werden kann.

Ein Automobilhersteller hat diesen Ansatz auf bestehende Model-Based-Design-Prozesse angewandt. Anstatt einen Agenten zu beauftragen, ein komplettes Engineering-Problem in einem Schritt zu lösen, integrierte das Unternehmen ihn in spezifische, klar definierte Aktivitäten. Der Agent erstellte und verfeinerte Modelle, führte Tests durch, untersuchte Fehler und erstellte eine entsprechende Dokumentation. Die Ingenieure gaben dem KI-Agenten den fachlichen Kontext und klare Anforderungen vor, entschieden gezielt, welche Aufgaben sie an den Agenten delegierten, und überprüften dessen Ergebnisse. Entscheidend war nicht der Agent allein. Erst der bestehende Engineering-Prozess lieferte die notwendige Struktur, um seine Arbeit zu effektiv steuern und zu bewerten.

Erkenntnis 3: KI-Agenten müssen Engineering-Werkzeuge im Einklang mit etablierten Prozessen einsetzen können

Der Zugriff auf Engineering-Werkzeuge allein reicht nicht aus, damit KI-Agenten sie sinnvoll einsetzen können. Sie benötigen zusätzlich fachliches Wissen und konkrete Anweisungen zum richtigen Vorgehen. Sogenannte Skills bilden hierfür bewährte Engineering-Praktiken, Regeln und Workflows ab und leiten den Agenten bei der Auswahl und Anwendung der geeigneten Werkzeuge an. Über das Model Context Protocol (MCP) erhält der Agent wiederum Zugriff auf die erforderlichen Engineering-Werkzeuge. So lässt sich nicht nur festlegen, welche Werkzeuge ein Agent nutzen kann, sondern auch, wie er sie im jeweiligen Entwicklungsprozess einsetzen soll. Simulink Agentic Toolkit unterstützt diesen Ansatz, indem es KI-Agenten mit Model-Based-Design-Prozessen und -Werkzeugen verbindet. Unternehmen können Agentic AI damit in bestehende Workflows integrieren, ohne bewährte Engineering-Praktiken aufzugeben.  

Fazit: Disziplin schafft Skalierbarkeit

Agentic AI hat das Potential, den Umfang und die Geschwindigkeit der Entwicklungsarbeit im Automotive-Bereich zu erhöhen. Sie macht Engineering-Disziplin jedoch nicht überflüssig. Automobilunternehmen werden Agentic AI nur dann erfolgreich skalieren können, wenn sie ihr Prozesswissen explizit machen, Ergebnisse über den gesamten Entwicklungsprozess hinweg verifizieren und die Verantwortung für das Endergebnis weiterhin in Ingenieurhand bleibt.