Agentische KI im Engineering Wie Model-Based Design den KI-Engpass löst

Anbieter zum Thema

Mathworks Deutschland

CADFEM Germany GmbH

UberCloud

Agentische KI erzeugt mehr Modelle, Code, Anforderungen und Tests, doch mehr Output beschleunigt Ingenieurfortschritt nicht: Bei Toolwechseln geht Systemzustand verloren und muss rekonstruiert werden.

Durch den Einsatz von KI-Agenten nehmen diese Wechsel zwischen Tools weiter zu, wodurch dieser Rekonstruktionsprozess zum zentralen Engpass und Kostenfaktor wird. Mit wachsendem Output durch KI steigt auch der Aufwand, eine konsistente Systemdarstellung aufrechtzuerhalten. Model-Based Design kann hier Abhilfe schaffen: Damit wird es möglich, ein ausführbares Systemmodell zu erstellen, den Systemzustand kontinuierlich beizubehalten und den Rekonstruktionsaufwand deutlich zu reduzieren.

KI-Agenten im Systemmodell machen Fortschritt kumulativ

Wird Model-Based Design verwendet, werden Änderungen direkt im ausführbaren Systemmodell vorgenommen und können deshalb sofort bewertet werden. Die Änderung und ihre Auswirkungen auf das Gesamtsystem bleiben in einem konsistenten Kontext und müssen nicht über separate Artefakte hinweg übertragen werden. Beim Einsatz von KI-Agenten können Ingenieurinnen und Ingenieure so das Systemverhalten unmittelbar im Gesamtkontext beobachten, statt isolierte Teilaspekte zu analysieren. Die Validierung erfolgt vor der Integration, also zu einem Zeitpunkt, an dem Probleme leichter nachvollzogen und behoben werden können. Das schafft Vertrauen, weil direkt ersichtlich wird, wie das System auf Veränderungen reagiert.

Wenn agentische KI direkt auf dem Modell arbeitet, wird ihre Arbeit kumulativ, was wiederum den Entwurfszyklus beschleunigt. Jede Anpassung baut auf dem aktuellen Systemzustand auf und trägt zu dessen Weiterentwicklung bei. Eine nachträgliche Abstimmung einzelner Ergebnisse entfällt. Es entsteht ein geschlossener Regelkreis, der in fragmentierten Toolketten nicht existiert. Fortschritt entsteht innerhalb des Systems selbst – nicht durch die nachträgliche Zusammenführung von Artefakten. Entsprechend sinkt der Bedarf an wiederholter Rekonstruktion.

Ohne Kontinuität führt steigender Output lediglich zu höherem Integrationsaufwand, zusätzlicher Komplexität und steigenden Kosten, nicht zu echtem Fortschritt.

KI verändert die Arbeitsweise im Engineering

Agentische KI verändert die Arbeitsweise im Engineering grundlegend. Sie verschiebt den Fokus der Ingenieurinnen und Ingenieure und definiert ihren Beitrag zum Entwicklungsprozess neu. Während KI-Agenten direkt am Systemmodell arbeiten, Änderungen umsetzen, Simulationen durchführen und Ergebnisse bewerten, konzentriert sich das Ingenieursteam zunehmend darauf, festzulegen, was das System leisten soll, formuliert die Anforderungen auf Systemebene und steuert, wie der Agent diese umsetzt.

Elektro-Engineering auf der SPS 2026

WSCAD bringt native KI-Engineering-Software auf den Markt

Es liegt weiterhin in der Verantwortung des Menschen, die Entwurfsstrategie zu gestalten und die Reaktionen des Systems im Hinblick auf die gesetzten Ziele zu beurteilen. Der Agent wiederum iteriert über Änderungen und validiert Ergebnisse in einem kontinuierlichen Prozess. Der Wert der ingenieurwissenschaftlichen Arbeit liegt darin, sicherzustellen, dass diese Entscheidungen das System in die gewünschte Richtung führen. Dadurch entfällt ein Großteil der Zeit, die bislang für das Rekonstruieren von Systemzuständen oder die Abstimmung einzelner Zwischenschritte benötigt wurde. Stattdessen gewinnen Entscheidungen auf Systemebene an Bedeutung.

Es liegt weiterhin in der Verantwortung des Menschen, die Entwurfsstrategie zu gestalten und die Reaktionen des Systems im Hinblick auf die gesetzten Ziele zu beurteilen.

Kontinuität über Domänen hinweg: Das Beispiel Elektromobilität

Gerade in Mehrdomänensystemen ist eine solche Kontinuität entscheidend, da einzelne Änderungen weitreichende Auswirkungen haben können. Das zeigt ein Beispiel aus der Automobilindustrie: Bei der Entwicklung von Elektrofahrzeugen müssen Anpassungen an Regelstrategien – sei es auf System- oder Komponentenebene – die Wechselwirkungen zwischen Batterie, Elektromotor und unterstützenden Systemen berücksichtigen. Werden diese Komponenten isoliert entwickelt, bleiben solche Zusammenhänge oft bis zur Integration verborgen und werden dann zu spät erkannt. Ein ausführbares Systemmodell macht diese Effekte deutlich früher sichtbar. Mit dieser Transparenz können Ingenieurinnen und Ingenieure bereits während sie Änderungen vornehmen, beurteilen, wie sich Anpassungen der Regelstrategien auf das Gesamtsystem auswirken.
 Beispielsweise lassen sich mit Agenten unterschiedliche Strategien für Rekuperations- und Reibbremsen simulieren und deren Effekt auf das Fahrzeugverhalten unter verschiedenen Bedingungen analysieren. So wird erkennbar, wie sich punktuelle Veränderungen auf Energieeffizienz, Batterienutzung und die Gesamtleistung des Fahrzeugs auswirken. Da diese Einschätzungen auf dem ausführbaren Modell basieren, agieren die Agenten innerhalb der physikalischen und strukturellen Grenzen des Systems. Das führt zu deterministischen, physikalisch fundierten Ergebnissen anstelle von bloßen Annahmen.

Auf dieser Basis können KI-Agenten Ergebnisse über eine Vielzahl von Szenarien hinweg vergleichen. Sie analysieren unterschiedliche Bedingungen und identifizieren Zielkonflikte zwischen Reichweite, Reaktionsverhalten und thermischer Belastung innerhalb desselben Workflows. Ingenieurinnen und Ingenieure erkennen in Echtzeit, wie sich Änderungen über den gesamten Antriebsstrang hinweg auswirken und wie sich systemische Effekte bereits während der Entwicklung manifestieren.
 Solche Workflows werden schon in der virtuellen Fahrzeugentwicklung eingesetzt. So nutzt beispielsweise ein Hersteller von Elektrofahrzeugen Agenten in Kombination mit Matlab und Simulink, um direkt innerhalb von Modellarchitekturen zu arbeiten. Der Agent erstellt und verfeinert Komponentenmodelle, bevor er in die Test- und Simulationsphase übergeht - alles ohne dass ein Wechsel zwischen Tools erforderlich ist. Die Arbeit erfolgt in einem durchgängigen Regelkreis, in dem der Agent Probleme identifiziert, Lösungsvorschläge entwickelt und Ergebnisse validiert. Ingenieurinnen und Ingenieure bleiben eng eingebunden, überprüfen das Systemverhalten und steuern zentrale Entscheidungen, während der Agent repetitive Implementierungsaufgaben im Modell übernimmt. Das Ergebnis sind kürzere Entwicklungszeiten und ein deutlich geringerer Aufwand für Koordination und Kontextwechsel, selbst bei wachsender Systemkomplexität.

Vom Task-Abarbeiten zum Systemfortschritt

Der Wert agentischer KI im Engineering lässt sich nicht an der Menge der erzeugten Artefakte messen. Ein höherer Output allein bringt keinen Fortschritt, wenn jeder Schritt mit einer erneuten Rekonstruktion des Gesamtzustands verbunden ist. In einem ausführbaren Modell werden Änderungen sofort bewertet und direkt weiterverarbeitet. Das System entwickelt sich kontinuierlich und ohne Unterbrechungen weiter. Model-Based Design schafft die Grundlage für diesen Fortschritt, indem es einen konsistenten Systemzustand über den gesamten Workflow hinweg erhält. Es ermöglicht Agenten, direkt am System zu arbeiten, und stellt sicher, dass Ingenieurinnen und Ingenieure jederzeit beurteilen können, ob es den definierten Zielen entspricht.

Christoph Stockhammer ist Principal Application Engineer bei MathWorks.