Produktentwicklung Vom KI-Piloten zum Engineering-System

Anbieter zum Thema

Testfirma Products And Contents

AMKmotion GmbH + Co. KG

Aerotech GmbH

aPriori Deutschland

Einzelne KI-Pilotprojekte bringen punktuelle Effizienzgewinne, lösen aber noch nicht die grundlegenden Brüche in der Produktentwicklung. Erst wenn MBSE, eine integrierte Datenbasis und eine API-fähige Toolchain zusammenspielen, kann KI vom lokalen Helfer zum skalierbaren Hebel für Engineering und F&E werden.

Bottom-up, einzelne Pilotprojekte, ohne strategische Verankerung – so sieht der Einsatz von KI heute aus. Das Resultat: Flickenteppich statt strukturelle Wirkung. Das eigentliche Problem ist dabei nicht der Mangel an KI-Ideen, sondern die fehlende Anschlussfähigkeit der bestehenden Engineering-Umgebung. Genau dort entscheidet sich, ob KI ein lokaler Effizienzgewinn bleibt oder zum skalierbaren Hebel wird.

KI-Piloten bleiben ohne Systemwirkung

Das Kernproblem ist vielschichtig: Toolchains sind historisch gewachsen. Anforderungen, Architekturen, CAD, PLM, Simulationen und Testmanagement kommunizieren kaum miteinander. Daten liegen in proprietären Formaten vor, werden manuell transferiert und verlieren Kontext und Rückverfolgbarkeit. An diesen Bruchstellen setzen aktuelle KI-Piloten an, bleiben jedoch ohne Systemwirkung, solange die Grundvoraussetzung fehlt: eine harmonisierte, maschinenlesbare Datenbasis. Reasoning, Tool-Interoperabilität, Kontextverwaltung und Multi-Agenten-Orchestrierung schaffen erstmals das Potenzial, komplexe Engineering-Workflows nicht nur punktuell zu unterstützen, sondern über mehrere Tools hinweg strukturierter zu steuern.

KI-gestütztes Systems Engineering als strategischer Hebel

Fragmentierung lässt sich nicht durch Piloten heilen, sondern durch eine methodische Grundentscheidung: Anforderungen, Funktionen, Architekturen und physische Komponenten konsistent miteinander zu verbinden. MBSE schafft dafür die Grundlage. Artefakte werden in einem konsistenten Modell verbunden: maschinenlesbar und konsistenzprüfbar. Auch SysML v2 gewinnt in diesem Zusammenhang an Bedeutung. Als formale, textbasierte Sprache erleichtert sie Versionierung, Verarbeitung und Einbettung von Systemmodellen in Pipelines. In der Softwareentwicklung sind CI/CD-Pipelines längst Standard. Für die mechatronische Produktentwicklung geht es dabei nicht um eine direkte Übertragung, wohl aber um eine vergleichbare Entwicklungsrichtung: Mechanische Komponenten, E/E-Systeme und Software werden in Disziplinen-spezifischen Pipelines entwickelt. Besonders greifbar wird dieser Ansatz im simulationsgetriebenen Engineering. Wo Modelle, Randbedingungen und Zielgrößen ausreichend strukturiert vorliegen, lassen sich Simulationen zunehmend Pipeline-artig organisieren. Ergebnisse werden automatisiert gegen Zielgrößen ausgewertet und Erkenntnisse in den Entwurf zurückgeführt. Repetitive und administrative Aufgaben übernehmen KI-Agenten. Der Ingenieur instruiert und entscheidet. Diese Rollentransformation setzt eine API-befähigte Toolchain voraus. Jedes Tool muss programmatisch durch Agenten steuerbar sein, und eine zentrale Plattform dient als einheitliche Arbeitsumgebung und Orchestrierungsschicht. Dabei übernimmt diese Plattform drei Funktionen zugleich: Sie dient als gemeinsame Arbeitsumgebung für Ingenieure, als Integrationsschicht zwischen bislang getrennten Tools und als Orchestrierungsebene für agentische Workflows.

Erste Orchestrator-Agenten zeigen bereits, wie das in der Praxis aussehen kann. Über Chat-Interaktion parametrisieren sie verschiedene Tools, stoßen Arbeitsschritte an und führen Ergebnisse in den jeweiligen Entwicklungskontext zurück. Ein Beispiel sind Simulationsabläufe, bei denen ein Agent Eingaben vorbereitet, einen Lauf startet und die Resultate direkt gegen Zielgrößen auswertet.

Die beschriebene Transformation hat unmittelbare Auswirkungen auf die Kostenstruktur der Produktentwicklung. KI-gestützte Methoden gehen nicht nur mit weniger Aufwand einher, sondern verlagern diese in andere Entwicklungsphasen: mehr Investition in frühe Phasen, weniger in späte Korrekturen. Die klassische Regel gilt unverändert: Fehler, die in der Konzeptphase erkannt werden, kosten einen Bruchteil späterer Korrekturen. MBSE und KI-gestützte Entwicklung verschieben den Erkennungszeitpunkt systematisch nach vorne. Gleichzeitig reduzieren automatisierte CI/CD-Pipelines den manuellen Koordinationsaufwand zwischen Disziplinen erheblich. Das Ergebnis: kürzere Durchlaufzeiten und geringere Fehlerraten in der Validierungsphase.

KI-Orchestrator liefert Empfehlungen

Engineering-Workflows per natürlicher Sprache steuern

Technologie braucht Verankerung

KI-Transformation in F&E ist keine IT-Initiative, sondern eine Führungsaufgabe. Ohne strategische Verankerung auf Geschäftsleitungsebene verpufft auch die beste Technologie. Unternehmen benötigen ein KI-Steuerungsgremium mit F&E-Vorstandsanbindung sowie bereichsinterne KI-Verantwortliche. Rechte- und Rollenkonzepte müssen neu definiert werden: Welche Entscheidungen darf ein Agent autonom treffen? Welche Daten dürfen genutzt werden?Gleichzeitig reicht es nicht, nur Technologie einzuführen. Unternehmen müssen auch klären, wie neue Arbeitsweisen organisatorisch verankert werden: Wer verantwortet domänenübergreifende Entscheidungen? Welche Artefakte sind führend? Gerade in regulierten Umfeldern entscheidet diese Klarheit darüber, ob KI skaliert. Die Einleitung einer solchen Transformation erfordert eine Verankerung unterschiedlicher Handlungsfelder in der F&E-Strategie:

• Zentrale Engineering-Plattform aufbauen: Eine digitale Arbeitsumgebung als domänenübergreifende Benutzeroberfläche, die als Orchestrierungsschicht für Agenten dient.
• Mensch-Agenten-Interaktion vorbereiten: Hochprioritäre Anwendungen identifizieren, Rechte- und Rollenkonzepte entwickeln, Ingenieure gezielt schulen.
• API-First-Toolchain sicherstellen: Programmatische Steuerbarkeit als Beschaffungskriterium etablieren; für Legacy-Tools Migrationspfade definieren.
• Datenarchitektur und Product Knowledge Graph aufbauen: Proprietäre Formate entkoppeln, Wirkketten zwischen Artefakten im Knowledge Graph abbilden.
• Prozesse auf KI-Workflows adaptieren: Entwicklungsabläufe an Produktstruktur und Mensch-Agenten-Interaktion ausrichten.

Die Konvergenz von MBSE und leistungsfähiger KI-Orchestrierung zeichnet eine klare Richtung: Produktentwicklung wird kontinuierlicher, digitaler und systemisch integrierter. Ingenieure werden zu Systems Thinkern, die intelligente Pipelines steuern, statt Einzelaufgaben auszuführen. Was heute Pilotprojekt ist, wird in wenigen Jahren Industriestandard sein. Wer jetzt die strukturellen Voraussetzungen schafft, entwickelt nicht nur effizienter, sondern schneller und resilienter.

In der industriellen Praxis zeigen sich dafür bereits belastbare Muster. Führende Unternehmen bauen integrierte Engineering-Umgebungen auf, reduzieren Toolbrüche und schaffen besseren Zugriff auf Produktinformationen. Der gemeinsame Nenner ist klar: Nicht ein weiterer KI-Pilot schafft den Durchbruch, sondern eine integrierte Technologiearchitektur, in der Prozesse, Methoden und Tools intelligent zusammenspielen.

Dr. Dirk Molitor ist Associate Manager Engineering Digitization and PLM bei Accenture.

Dr. Alexander Albers ist Senior Manager Engineering Consulting bei Accenture.

Daniel Spiess ist Managing Director Engineering Consulting bei Accenture.