KI-Agenten brauchen mehr als nur Zugriff auf Engineering-Daten

Der Inhalt dieser Seite wurde automatisch von einem Drittanbieter übersetzt.

Die Diskussion verlagert sich

Ein Großteil der Diskussion über KI-Agenten konzentriert sich noch immer auf die Fähigkeiten der Modelle selbst. Sind sie präzise genug? Können sie effektiv schlussfolgern? Werden sie irgendwann mit minimaler menschlicher Aufsicht arbeiten können?

Das sind wichtige Fragen. Doch eine andere wird zunehmend wichtiger: Mit welchen Informationen arbeiten diese Agenten?

Im Engineering arbeiten KI-Agenten nur selten isoliert. Von ihnen wird erwartet, dass sie Anforderungen abrufen, Produktstrukturen interpretieren, Revisionen vergleichen, Engineering-Änderungen zusammenfassen, Maßnahmen empfehlen und zunehmend auch Aufgaben über PLM-, Simulations-, Fertigungs-, Qualitäts- und Servicesysteme hinweg koordinieren. Ihr Nutzen hängt von mehr ab als von der Leistungsfähigkeit des zugrunde liegenden Modells. Entscheidend ist, ob sie das Engineering-Wissen hinter den abgerufenen Daten verstehen können.

Dieser Unterschied ist entscheidend.

Engineering-Informationen haben eine Bedeutung, die weit über das einzelne Dokument oder den jeweiligen Datensatz hinausgeht. Eine Anforderung kann sich noch in Prüfung befinden. Ein Design kann in mehreren Konfigurationen vorliegen. Ein Fertigungsprozess gilt möglicherweise nur für eine bestimmte Produktvariante. Zwei Revisionen desselben Bauteils können sehr unterschiedliche Entwicklungsstadien darstellen.

Ohne diesen Kontext kann ein KI-Agent eine Antwort liefern, die überzeugend klingt, dabei aber genau die Details übersieht, die darüber entscheiden, ob die Antwort tatsächlich korrekt ist.

Mit dem zunehmenden Einsatz von KI-Agenten in Engineering-Umgebungen verlagert sich die Diskussion von der Modellleistung hin zur Qualität des Wissens. Es geht immer weniger darum, ob ein Agent Informationen abrufen kann. Entscheidend ist vielmehr, ob die Organisation eine Umgebung geschaffen hat, in der diese Informationen richtig interpretiert werden können.

Engineering-Wissen ist mehr als Daten

Die meisten Unternehmen verwalten bereits enorme Mengen an Engineering-Informationen. CAD-Modelle, Anforderungen, Simulationsergebnisse, Stücklisten, Software-Artefakte, Fertigungspläne, Qualitätsdaten, Lieferantendokumentation und Servicedaten tragen alle zur vollständigen Produktdefinition bei.

Die Herausforderung besteht nicht einfach darin, diese Quellen zusammenzuführen.

Jede Information steht in Beziehungen, die ihr Bedeutung verleihen. Ingenieure müssen wissen, welche Anforderung zu einer Konstruktionsentscheidung geführt hat, welche Revision für die Produktion freigegeben wurde, welcher Test eine Änderung validiert hat und welcher Fertigungsprozess für eine bestimmte Konfiguration gilt. Diese Beziehungen ermöglichen es Teams zu verstehen, was sich geändert hat, warum es geändert wurde und welche Auswirkungen dies auf nachgelagerte Prozesse haben wird.

Für KI wird dies noch wichtiger.

Betrachten wir eine einfache Engineering-Änderung. Ein Agent kann schnell das neueste CAD-Modell finden und die zugehörige Anforderung identifizieren. Auf den ersten Blick scheint alles vollständig zu sein. Doch was passiert, wenn die Anforderung noch nicht genehmigt wurde? Was, wenn die Fertigung noch mit der vorherigen Revision arbeitet? Was, wenn die Qualifizierung eines Lieferanten noch aussteht oder ein zugehöriges Software-Update noch nicht freigegeben wurde?

Der Agent ist nicht daran gescheitert, dass er die Sprache falsch verstanden hat. Er ist gescheitert, weil ihm der Engineering-Kontext fehlte, der notwendig ist, um die gefundenen Informationen richtig zu bewerten.

Dies ist einer der Gründe, warum KI-Governance in Diskussionen auf Unternehmensebene zu einem so wichtigen Thema geworden ist. Aktuelle Untersuchungen von McKinsey zeigen, dass Unternehmen, die agentische KI skalieren wollen, mehr als hochwertige Daten benötigen. Sie brauchen einheitliche Definitionen, klare Verantwortlichkeiten, kontrollierten Zugriff und die Möglichkeit nachzuvollziehen, wie Informationen im gesamten Unternehmen erstellt und genutzt werden. Gartner kommt zu einer ähnlichen Einschätzung und warnt davor, dass viele Unternehmen Schwierigkeiten haben werden, autonome Agenten in den operativen Betrieb zu überführen, weil Schwächen in der Governance häufig erst nach der Einführung sichtbar werden.

Engineering-Organisationen sind früher als die meisten anderen mit diesen Herausforderungen konfrontiert, da ihre Informationen stark miteinander verknüpft sind und sich kontinuierlich verändern.

Governance gibt Engineering-Wissen Bedeutung

Governance wird häufig mit Sicherheitsrichtlinien oder regulatorischer Compliance in Verbindung gebracht. Diese Aufgaben bleiben wichtig, stellen jedoch nur einen Teil des Gesamtbildes dar.

Für Engineering-Organisationen schafft Governance auch den Kontext, der Informationen vertrauenswürdig macht.

Sie definiert, welche Systeme maßgeblich sind, wer Informationen ändern darf, wie Revisionen verwaltet werden, in welchem Lebenszyklusstatus sich ein Objekt befindet und wie Entscheidungen miteinander verbunden bleiben, während sich Produkte weiterentwickeln. Sie bewahrt die Beziehungen zwischen Anforderungen, Designs, Fertigungsprozessen, Qualitätsdaten, Software und Serviceinformationen, sodass Änderungen über den gesamten Produktlebenszyklus hinweg nachvollzogen werden können.

Ohne diese Struktur übernehmen KI-Agenten dieselben Unsicherheiten, mit denen Ingenieure bereits zu kämpfen haben, wenn Informationen über voneinander getrennte Systeme fragmentiert sind.

Deshalb führt es nur selten zu besseren Ergebnissen, einem KI-Agenten einfach Zugriff auf mehr Daten zu geben. Der Zugriff allein sagt nichts darüber aus, ob Informationen aktuell, genehmigt, vollständig oder für eine bestimmte Produktkonfiguration relevant sind. Diese Unterscheidungen entstehen durch Governance.

Wenn KI-Agenten nicht mehr nur Fragen beantworten, sondern zunehmend Maßnahmen empfehlen oder Teile von Engineering-Workflows automatisieren, werden diese Unterschiede immer wichtiger. Ein Agent, der unvollständige oder veraltete Informationen abruft, kann dennoch eine überzeugend formulierte Antwort liefern. Vertrauen in eine Antwort ist jedoch nicht dasselbe wie Vertrauen in eine Engineering-Entscheidung.

Warum der Digital Thread zur Grundlage wird

An diesem Punkt wird der Digital Thread zu mehr als nur einer Integrationsstrategie.

Seit Jahren investieren Hersteller in die Vernetzung von Engineering-Systemen, damit Informationen leichter zwischen Teams ausgetauscht werden können. Diese Bemühungen bleiben wichtig, doch KI-Agenten erhöhen die Anforderungen. Sie sollen Informationen nicht nur aus verschiedenen Systemen abrufen. Von ihnen wird erwartet, dass sie verstehen, wie diese Informationen mit dem Produkt zusammenhängen, und sie zur Unterstützung von Entscheidungen nutzen.

Dafür braucht es mehr als Konnektivität.

Ein Digital Thread bewahrt die Beziehungen zwischen Anforderungen, Design, Simulation, Fertigung, Qualität, Software und Service über den gesamten Produktlebenszyklus hinweg. Diese Beziehungen liefern den Kontext, der einem KI-Agenten zeigt, wie Informationen zusammengehören, ob ihnen vertraut werden kann und welche nachgelagerten Auswirkungen eine Entscheidung haben könnte.

Stellen Sie sich einen Agenten vor, der beurteilen soll, ob eine Engineering-Änderung für die Fertigung bereit ist.

Das neueste CAD-Modell zu finden, ist nur ein Teil der Aufgabe. Der Agent muss außerdem feststellen, ob die zugehörigen Anforderungen genehmigt wurden, ob die Verifizierungsaktivitäten abgeschlossen sind, ob der Fertigungsprozessplan aktualisiert wurde, ob Änderungen bei Lieferanten berücksichtigt wurden und ob die Qualitätsdokumentation der aktuellen Revision entspricht.

Keine dieser Fragen lässt sich beantworten, indem nur ein einzelnes Objekt betrachtet wird.

Der Nutzen entsteht durch das Verständnis der Beziehungen zwischen diesen Informationen.

Deshalb wird vernetztes Engineering-Wissen ebenso wichtig wie vernetzte Systeme. Informationen, deren Beziehungen, Lebenszyklusstatus oder Rückverfolgbarkeit verloren gegangen sind, können zwar weiterhin zugänglich sein, sind aber nicht mehr vollständig genug, um zuverlässige Entscheidungen zu unterstützen.

Unternehmen sprechen häufig davon, dass KI mehr Daten benötigt. In der Praxis brauchen Engineering-Organisationen etwas Spezifischeres: vernetztes, kontrolliertes Wissen, das den Kontext jeder Engineering-Entscheidung bewahrt.

KI spiegelt die Qualität der Engineering-Umgebung wider

Eine verbreitete Annahme lautet, dass bessere KI-Modelle schlechte Informationen irgendwann ausgleichen werden.

Das ist unwahrscheinlich.

Large Language Models werden kontinuierlich besser, können aber nur auf Grundlage der Informationen schlussfolgern, die ihnen zur Verfügung stehen. Wenn Engineering-Wissen inkonsistent, unvollständig oder nicht miteinander verknüpft ist, hat das Modell keine verlässliche Möglichkeit, den fehlenden Kontext zu rekonstruieren. Es kann Muster erkennen, aber nicht bestimmen, welche Revision maßgeblich ist, ob eine Änderung genehmigt wurde oder welche Konfiguration für einen bestimmten Kunden gilt, sofern diese Informationen nicht eindeutig dargestellt sind.

In vielerlei Hinsicht wirkt KI wie ein Spiegel.

Unternehmen mit gut kontrolliertem Engineering-Wissen stellen häufig fest, dass Agenten schneller nützliche Ergebnisse liefern, weil die zugrunde liegenden Informationen bereits strukturiert und vernetzt sind. Unternehmen mit fragmentierten Informationen stoßen dagegen oft auf Probleme, mit denen sie schon seit Jahren leben. Doppelte Datensätze, uneinheitliche Definitionen, fehlende Rückverfolgbarkeit, nicht miteinander verbundene Änderungsprozesse und unklare Verantwortlichkeiten werden sichtbar, sobald ein KI-Agent beginnt, systemübergreifend zu arbeiten.

Das ist einer der Gründe, warum Governance in den Mittelpunkt der Diskussion über KI im Unternehmen gerückt ist. Je mehr Verantwortung Agenten übernehmen, desto wichtiger wird das Vertrauen nicht nur in das Modell, sondern auch in das Wissen, auf dem seine Empfehlungen basieren.

Für Engineering-Verantwortliche verlagert sich damit die Frage von „Können wir KI-Agenten einsetzen?“ hin zu „Sind unsere Engineering-Systeme bereit für KI-Agenten?“

Das sind zwei sehr unterschiedliche Fragen.

Warum Agenten-Governance mit Wissens-Governance beginnt

Mit den zunehmenden Fähigkeiten von KI-Agenten richten Unternehmen ihre Aufmerksamkeit verstärkt auf Governance. Ein großer Teil dieser Diskussion konzentriert sich darauf, zu kontrollieren, was Agenten tun dürfen. Dürfen sie Informationen abrufen? Maßnahmen empfehlen? Workflows auslösen? Daten ändern?

Das sind wichtige Fragen, aber sie liefern nur einen Teil der Antwort.

Bevor Unternehmen festlegen, was ein Agent tun darf, müssen sie klären, was der Agent wissen darf.

Ein KI-Agent sollte zwischen Arbeitsinformationen und freigegebenen Informationen unterscheiden können. Er sollte erkennen, dass eine Anforderung, deren Genehmigung noch aussteht, nicht dieselbe Verbindlichkeit besitzt wie eine Anforderung, die bereits in einer Baseline festgeschrieben wurde. Er sollte verstehen, dass eine Engineering-Änderung mehrere nachgelagerte Prozesse beeinflussen kann, selbst wenn diese Auswirkungen in unterschiedlichen Systemen gespeichert sind.

Diese Fähigkeiten kommen nicht aus dem Modell selbst. Sie entstehen durch die Art und Weise, wie Engineering-Wissen kontrolliert und verwaltet wird.

Dies ist einer der Gründe, warum Digital-Thread-Initiativen im Zeitalter der KI zunehmend an Bedeutung gewinnen. Ein vernetzter Lebenszyklus bietet mehr als Transparenz über verschiedene Engineering-Disziplinen hinweg. Er verschafft KI-Agenten Zugang zu den Beziehungen, die erklären, wie Informationen interpretiert werden müssen und wie sich Entscheidungen auf den gesamten Produktlebenszyklus auswirken.

Ohne diese Beziehungen kann ein Agent die richtigen Informationen abrufen und sie dennoch im falschen Kontext anwenden.

Engineering-Organisationen auf agentische KI vorbereiten

Die meisten Hersteller befinden sich noch in einer frühen Phase bei der Einführung von KI-Agenten. Viele experimentieren zunächst mit der Zusammenfassung von Dokumenten, Engineering-Assistenten oder intelligenter Suche, bevor sie zu Empfehlungssystemen oder stärker autonomen Workflows übergehen.

Diese Entwicklung ist sowohl praktisch als auch sinnvoll.

Je mehr Verantwortung Unternehmen an KI-Agenten übertragen, desto wichtiger wird das Vertrauen in das zugrunde liegende Engineering-Wissen. Bevor Führungskräfte fragen, ob ein Agent einen Prozess automatisieren kann, sollten sie zunächst prüfen, ob die Engineering-Informationen, auf denen dieser Prozess basiert, dafür bereit sind.

Einige Fragen können dabei helfen, diese Diskussion zu strukturieren:

• Gibt es eine eindeutig definierte maßgebliche Quelle für Engineering-Informationen?
• Lassen sich Anforderungen, Designs, Fertigungspläne, Software und Qualitätsdaten über den gesamten Produktlebenszyklus hinweg zurückverfolgen?
• Werden Lebenszyklusstatus, Revisionen, Genehmigungen und Konfigurationen systemübergreifend einheitlich dargestellt?
• Kann ein KI-Agent zwischen Informationen unterscheiden, die er lediglich berücksichtigen soll, Informationen, auf deren Grundlage er Empfehlungen aussprechen darf, und Maßnahmen, zu deren Ausführung er berechtigt ist?

Das sind Fragen der Governance, aber ebenso Fragen der Bereitschaft.

Unternehmen, die sich frühzeitig damit auseinandersetzen, werden die Rolle von KI im Laufe der Zeit wesentlich leichter ausbauen können. Unternehmen, die diese Fragen aufschieben, können zwar weiterhin beeindruckende Demonstrationen erzielen. Die Skalierung von KI im Engineering wird jedoch deutlich schwieriger, wenn jeder neue Anwendungsfall Lücken bei Datenqualität, Verantwortlichkeiten oder Lebenszykluskontext offenlegt.

KI-Agenten ersetzen keine disziplinierten Engineering-Praktiken. Sie machen diese Praktiken wertvoller.

Engineering-Wissen ist der eigentliche Vorteil

Die Diskussion über KI wird sich weiterentwickeln. Modelle werden leistungsfähiger. Agenten werden immer anspruchsvollere Aufgaben übernehmen. Unternehmen werden neue Möglichkeiten finden, repetitive Aufgaben zu automatisieren und Engineering-Entscheidungen zu unterstützen.

Was sich voraussichtlich weniger verändern wird, ist die Bedeutung des Engineering-Wissens selbst.

Die Unternehmen, die den größten Nutzen aus KI ziehen, werden nicht zwangsläufig diejenigen sein, die Zugang zu den neuesten Modellen haben. Es werden diejenigen sein, die in vertrauenswürdige Engineering-Informationen, vernetzte Lebenszyklusprozesse und eine Governance investiert haben, die den Kontext über den gesamten Digital Thread hinweg bewahrt.

Genau das ermöglicht es KI-Agenten letztlich, über Demonstrationen hinauszugehen und zu zuverlässigen Beteiligten an Engineering-Prozessen zu werden.

Die nächste Phase der KI-Einführung wird von Umgebungen geprägt sein, in denen diese Agenten die von ihnen verwendeten Informationen verstehen, erklären können, wie sie zu einer Empfehlung gelangen, und innerhalb desselben Lebenszykluskontexts arbeiten, auf den sich Ingenieure jeden Tag verlassen.

Für Engineering-Verantwortliche ergibt sich daraus eine klare Priorität. Bevor sie fragen, wie autonom ein KI-Agent werden sollte, sollten sie prüfen, ob das Engineering-Wissen dahinter vollständig, vernetzt und kontrolliert ist.

Wenn diese Grundlage vorhanden ist, wird KI zu weit mehr als einem weiteren Produktivitätswerkzeug. Sie wird zu einer praktischen Erweiterung der Engineering-Organisation selbst.