Die KI-Produktivitätslücke: Warum KI-Transformation im Engineering mehr als Automatisierung erfordert

Der Inhalt dieser Seite wurde automatisch von einem Drittanbieter übersetzt.

Das Produktivitätsversprechen von KI ist real, aber unvollständig

Jede große Technologiewelle bringt ihre eigene Produktivitätsgeschichte mit sich. Die Cloud versprach Skalierbarkeit. SaaS versprach Geschwindigkeit. Low-Code versprach Agilität. KI wird nun als der nächste große Produktivitätsbeschleuniger positioniert, und das aus gutem Grund. Die Technologie entwickelt sich schnell weiter, die Anwendungsfälle lassen sich leicht vorstellen, und der Druck auf Unternehmen, „etwas mit KI zu machen“, wächst von Tag zu Tag.

Für Engineering- und Fertigungsunternehmen wird sich die erste Welle der KI-Einführung mit hoher Wahrscheinlichkeit auf individuelle Produktivität konzentrieren. Ingenieure werden KI nutzen, um Anforderungen zusammenzufassen, Berichte zu erstellen, Testpläne zu generieren, Dokumentationen zu durchsuchen, Spezifikationen zu vergleichen und technische Probleme zu analysieren. Fertigungsteams werden KI einsetzen, um Arbeitsanweisungen zu prüfen, Fehler zusammenzufassen, Zeitpläne zu optimieren und die Prozessplanung zu unterstützen. Qualitäts-, Service- und Lieferantenteams werden dasselbe in ihren jeweiligen Bereichen tun.

Diese Anwendungsfälle sind hilfreich. Sie werden Zeit sparen und einige administrative Belastungen reduzieren. Sie könnten Menschen sogar produktiver erscheinen lassen.

Aber das reicht nicht aus.

Die KI-Produktivitätslücke: Fragmentierte Arbeit schneller erledigen

Das Risiko besteht darin, dass Unternehmen eine schnellere Aufgabenerledigung mit echter Transformation verwechseln. Wenn KI auf dieselben fragmentierten Workflows, isolierten Systeme und langsamen Übergaben angewendet wird, die die Produktentwicklung bereits heute einschränken, könnte KI Unternehmen lediglich dabei helfen, fehlerhafte Arbeit schneller zu erledigen. Das ist die KI-Produktivitätslücke.

Die eigentliche Chance besteht nicht darin, Engineering so zu automatisieren, wie es heute existiert. Sie besteht darin, die Art und Weise zu transformieren, wie Engineering-Arbeit über den gesamten Produktlebenszyklus hinweg durchgeführt wird.

McKinseys Automatisierungspotenzial von 57 % bezieht sich auf Aktivitäten, nicht auf Arbeitsplätze

McKinseys aktueller Bericht Agents, robots, and us: Skill partnerships in the age of AI bietet eine praktische Perspektive auf diesen Wandel. Der Bericht schätzt, dass heutige Technologien Aufgaben automatisieren könnten, die etwa 57 % der Arbeitsstunden in den Vereinigten Staaten ausmachen.

McKinsey macht jedoch deutlich, was diese Zahl bedeutet. Sie prognostiziert nicht, dass 57 % aller Arbeitsplätze verschwinden werden. Sie beschreibt vielmehr das technische Automatisierungspotenzial über Arbeitsaktivitäten und Aufgabenbestandteile hinweg, die anders ausgeführt werden könnten, wenn KI-Agenten und Roboter leistungsfähiger werden.

Diese Unterscheidung ist wichtig, besonders im Engineering. Engineering-Arbeit ist keine saubere Sammlung isolierter Aufgaben. Sie ist ein System aus Entscheidungen. Eine Anforderung beeinflusst das Design. Das Design beeinflusst die Fertigbarkeit. Eine Fertigungsbeschränkung beeinflusst Kosten, Qualität und Lieferfähigkeit. Ein Lieferantenproblem beeinflusst Risiken. Ein Serviceproblem kann eine Designschwäche aufdecken. Eine Kundenanforderung kann sich auf die gesamte Produktarchitektur auswirken.

Aus dieser Perspektive verändert sich die Produktivitätsfrage. Es geht nicht mehr nur darum: „Wie kann KI einem Ingenieur helfen, diese Aufgabe schneller zu erledigen?“ Die bessere Frage lautet: „Wie kann KI dem Unternehmen helfen, bessere Produktentscheidungen über Engineering, Fertigung, Qualität, Supply Chain, Service, Lieferanten und Kunden hinweg zu treffen?“

Das ist eine komplexere Frage. Dort liegt jedoch auch der eigentliche Wert.

Der wahre Wert entsteht durch die Neugestaltung von Workflows

McKinsey argumentiert, dass die größte Chance von KI aus der Neugestaltung von Workflows und nicht aus der Automatisierung einzelner Aufgaben entstehen wird. Im mittleren Szenario schätzt der Bericht, dass KI-gestützte Agenten und Roboter bis 2030 einen jährlichen wirtschaftlichen Mehrwert von etwa 2,9 Billionen US-Dollar in den Vereinigten Staaten schaffen könnten. Die Realisierung dieses Wertes hängt jedoch davon ab, dass Unternehmen Prozesse, Rollen, Fähigkeiten, Kultur und Kennzahlen neu gestalten, damit Menschen, Agenten und Roboter effektiv zusammenarbeiten können.

Dieser Punkt dürfte jedem vertraut vorkommen, der mit komplexer Produktentwicklung gearbeitet hat. Die meisten Verzögerungen im Engineering entstehen nicht, weil jemand zu lange gebraucht hat, um ein Dokument zu schreiben. Sie entstehen, weil Informationen unvollständig sind, Kontext fehlt, Entscheidungen zu spät getroffen werden und Teams Abhängigkeiten erst im Nachhinein erkennen. Engineering gibt ein Design frei, nur um später festzustellen, dass die Fertigung eine Einschränkung sieht. Qualität identifiziert ein Muster, das nicht schnell genug in den Designprozess zurückgeführt wird. Der Einkauf entdeckt ein Lieferantenrisiko, nachdem Entscheidungen bereits festgelegt wurden. Serviceteams sehen wiederkehrende Ausfälle im Feld, aber die Rückkopplungsschleife zum Engineering ist langsam und inkonsistent.

KI kann bei all diesen Problemen helfen, aber nur, wenn Unternehmen die Art und Weise verändern, wie Arbeit fließt. Wenn jede Funktion KI nur innerhalb ihres eigenen Silos einsetzt, könnte das Ergebnis lokale Effizienz und unternehmensweite Verwirrung sein. Engineering wird schneller. Fertigung wird schneller. Qualität wird schneller. Lieferanten reagieren schneller. Aber das Unternehmen als Ganzes wird dadurch nicht zwangsläufig intelligenter.

KI verändert die Arbeitsteilung

Das ist besonders wichtig, weil KI die Arbeitsteilung verändert. McKinsey schätzt, dass Agenten auf dem heutigen Leistungsniveau Aufgaben übernehmen könnten, die 44 % der US-Arbeitsstunden ausmachen, während Roboter weitere 13 % übernehmen könnten. Die verbleibenden 43 % können mit heutigen Technologien nicht automatisiert werden. Das beschreibt keine Zukunft, in der Menschen verschwinden. Es beschreibt eine Zukunft, in der Menschen, Agenten und Roboter Arbeit anders aufteilen.

Für Engineering-Organisationen bedeutet KI-Produktivität, dass Menschen weniger Zeit damit verbringen werden, Informationen zusammenzustellen, und mehr Zeit darauf verwenden, Probleme zu definieren, Empfehlungen zu validieren, Zielkonflikte abzuwägen und Entscheidungen zu steuern. KI-Agenten werden entwerfen, vergleichen, zusammenfassen, überwachen und Empfehlungen geben. Roboter werden mehr physische Arbeit übernehmen, wo wirtschaftliche und technische Anforderungen dies sinnvoll machen. Menschen bleiben unverzichtbar, weil Produktentwicklung nicht nur darin besteht, Ergebnisse zu erzeugen. Es geht darum, verantwortungsvolle Entscheidungen unter Unsicherheit zu treffen.

Menschliche Fähigkeiten rücken in der Wertschöpfungskette nach oben

McKinsey macht in seiner Kompetenzanalyse einen ähnlichen Punkt. Der Bericht zeigt, dass mehr als 70 % der Fähigkeiten, die Arbeitgeber heute suchen, sowohl in Arbeiten genutzt werden, die automatisiert werden können, als auch in Arbeiten, die nicht automatisiert werden können. Mit anderen Worten: Die meisten menschlichen Fähigkeiten verschwinden nicht einfach. Ihre Anwendung verändert sich.

Das ist für Engineering und Fertigung hoch relevant. Problemlösung, Kommunikation, operative Exzellenz, Qualitätsbewusstsein, Lieferantenmanagement, Systemdenken und Führung werden nicht irrelevant, nur weil KI Teile der Arbeit automatisieren kann. Sie werden wichtiger, weil Menschen wissen müssen, wie sie diese Fähigkeiten in einer KI-unterstützten Umgebung anwenden.

Deshalb sollte sich die Diskussion über Engineering-KI nicht nur auf Werkzeuge beschränken. Die strategisch wichtigere Diskussion dreht sich darum, die KI-Produktivitätslücke innerhalb des Engineering-Betriebsmodells zu schließen.

Das Engineering-Betriebsmodell muss sich weiterentwickeln

Ein Engineering-Betriebsmodell definiert, wie Produktentscheidungen getroffen werden, wer beteiligt ist, welchen Informationen vertraut wird, wie Zielkonflikte bewertet werden, wie Änderungen gesteuert werden und wie Verantwortlichkeit erhalten bleibt. Für KI-Produktivität muss sich dieses Modell weiterentwickeln. Es muss KI-generierte Empfehlungen berücksichtigen. Es muss definieren, wann Menschen Ergebnisse validieren, wann Agenten autonom handeln können, wann Ausnahmen eskaliert werden und wie Entscheidungen über den gesamten Lebenszyklus hinweg nachverfolgbar bleiben.

Hier wird die Fertigung zu einem entscheidenden Teil der Geschichte. Zu oft wird KI in der Fertigung auf Bilder von Robotern in der Produktionshalle reduziert. Robotik wird wichtig sein, doch McKinseys Daten deuten auf eine differenziertere Realität hin. Im mittleren Szenario für 2030 schätzt McKinsey das wirtschaftliche Potenzial von KI und Automatisierung in der Fertigung auf 250 Milliarden US-Dollar, bei einer durchschnittlichen Automatisierungsquote von 31 % der heutigen Arbeitsstunden. Dabei entfallen jedoch 68 % des Wertes auf Agenten und nur 32 % auf Roboter.

Das ist ein aufschlussreicher Datenpunkt. Selbst in der Fertigung stammt der größte Teil des geschätzten Wertes aus Softwareintelligenz und nicht allein aus physischer Automatisierung. Die Chance liegt nicht nur darin, dass ein Roboter einen Montageschritt ausführt. Sie liegt darin, dass KI Produktionsplanung, Qualitätsprüfung, Fehlerprotokollierung, Maschineneinrichtung, Umrüstungen, Echtzeit-Prozessüberwachung und Supply-Chain-Entscheidungen koordiniert. Diese Aktivitäten hängen davon ab, dass Informationen funktionsübergreifend fließen, nicht nur von Automatisierung innerhalb der vier Wände der Fabrik.

Engineering und Fertigung werden Teil derselben Intelligenzschleife

Dasselbe gilt für Engineering. McKinsey beschreibt Ingenieure als Teil von „Menschen-Agenten“-Rollen, in denen Menschen zentral bleiben, aber durch digitale und KI-gestützte Werkzeuge unterstützt werden. Gleichzeitig stellt der Bericht fest, dass Agenten-Roboter-Rollen hauptsächlich in Produktionsumgebungen auftreten, einschließlich automatisierter Fertigungs- und Logistikprozesse, in denen Softwareintelligenz physische Systeme steuert.

Das deutet auf eine Zukunft hin, in der Engineering und Fertigung keine getrennten Bereiche mehr sind, die durch Übergaben verbunden werden. Sie werden Teil einer gemeinsamen Intelligenzschleife, in der KI-Agenten helfen, Einschränkungen zu identifizieren, Optionen zu bewerten und Risiken früher im Lebenszyklus sichtbar zu machen.

Das erweiterte Unternehmen muss Teil des Modells sein

Das Schließen der KI-Produktivitätslücke geht über interne Teams hinaus. Auch Lieferanten und Kunden werden Teil des Betriebsmodells. Ein Lieferant, der mit veralteten Spezifikationen arbeitet, kann genauso viele Risiken verursachen wie ein internes Team, das mit veralteten Daten arbeitet. Ein Kundenproblem, das in einem Servicesystem feststeckt, kann Lernen genauso verzögern wie ein Fertigungsfehler, der in einem Qualitätsprozess verborgen bleibt. Wenn KI-Produktivität Produktentscheidungen verbessern soll, benötigt sie Zugriff auf vertrauenswürdigen Produktkontext über das gesamte erweiterte Unternehmen hinweg.

Das bedeutet nicht, alles für jeden zu öffnen. Es bedeutet, kontrollierte Zusammenarbeit rund um die richtigen Informationen, im richtigen Detaillierungsgrad und mit den richtigen Kontrollmechanismen zu schaffen. KI erhöht hier den Einsatz, weil sie schnell agieren, breit synthetisieren und überzeugend wirkende Empfehlungen generieren kann. Ohne vertrauenswürdige Daten, klare Berechtigungen und nachvollziehbaren Kontext kann Geschwindigkeit gefährlich werden.

Der Digital Thread wird zur Grundlage für Engineering-KI

Deshalb wird der Digital Thread entscheidend, wenn es darum geht, die KI-Produktivitätslücke in Engineering- und Fertigungsunternehmen zu schließen. KI benötigt Kontext, und in der Produktentwicklung ist dieser Kontext über Anforderungen, Systemmodelle, BOMs, CAD, Simulationen, Software, Fertigungspläne, Lieferantendaten, Qualitätsaufzeichnungen, Änderungshistorien, Serviceereignisse und Kundenfeedback verteilt. Wenn dieser Kontext fragmentiert ist, kann KI zwar weiterhin Antworten liefern, doch diese Antworten könnten unvollständig, unbegründet oder schwer vertrauenswürdig sein.

Der Digital Thread ist nicht nur ein Konzept zur Datenintegration. In einer KI-gestützten Engineering-Organisation wird er zur Grundlage dafür, wie Menschen, Agenten, Roboter und Partner zusammenarbeiten.

Er schließt die Lücke, indem er KI den Produktkontext liefert, den sie benötigt. Er gibt Menschen die Nachverfolgbarkeit, die sie benötigen, um KI-generierte Ergebnisse zu validieren. Er hilft dabei, Entscheidungen über den gesamten Lebenszyklus hinweg zu verbinden, sodass Engineering, Fertigung, Qualität, Supply Chain, Service, Lieferanten und Kunden nicht isoliert optimieren.

Aufgabenproduktivität ist nicht gleich Lifecycle-Performance

Das ist die tiefere Transformation. KI wird die Aufgabenproduktivität sicherlich verbessern, aber Aufgabenproduktivität ist nicht dasselbe wie Produktlebenszyklus-Performance. Eine schnellere Zusammenfassung von Anforderungen ist bedeutungslos, wenn die Anforderung von der nachgelagerten Verifizierung getrennt ist. Eine schnellere Designempfehlung ist wertlos, wenn sie die Fertigbarkeit ignoriert. Eine schnellere Lieferantenantwort ist sinnlos, wenn sie auf der falschen Revision basiert. Ein schnellerer Qualitätsbericht bringt nichts, wenn das Signal niemals das Design oder den Prozess verändert.

Die Unternehmen, die am meisten von KI profitieren werden, sind jene, die sie als Herausforderung des Betriebsmodells und nicht nur als Technologieeinführung betrachten.

Sie werden Workflows neu gestalten, anstatt KI einfach in alte Prozesse einzufügen. Sie werden Rollen neu denken, damit Menschen Arbeit überwachen, validieren und orchestrieren können, die von Agenten und Robotern ausgeführt wird. Sie werden in Datenfundamente investieren, damit KI auf einem vertrauenswürdigen Produktkontext operieren kann. Sie werden Kennzahlen verändern, sodass Produktivität nicht nur an Geschwindigkeit gemessen wird, sondern auch an Entscheidungsqualität, reduzierter Nacharbeit, verbesserter Nachverfolgbarkeit, schnellerer Problemlösung und besseren Lifecycle-Ergebnissen.

Transformation, nicht Automatisierung, schafft den Vorteil

Das ist eine weit größere Agenda, als Mitarbeitenden lediglich Zugang zu KI-Tools zu geben. Sie erfordert Führung, Governance, Prozessneugestaltung, Datendisziplin und kulturellen Wandel. Unternehmen müssen entscheiden, was automatisiert werden sollte, was unterstützt werden sollte und was unter menschlichem Urteilsvermögen bleiben muss. Engineering muss aufhören, sich als Abteilung zu betrachten, und anfangen, sich als verbindendes Gewebe für Produktentscheidungen im gesamten Unternehmen zu verstehen.

KI wird Engineering-Organisationen nicht transformieren, nur weil sie mehr Inhalte generieren oder mehr Aufgaben erledigen kann. Sie wird jene Organisationen transformieren, die bereit sind zu verändern, wie Produktarbeit tatsächlich durchgeführt wird.

Das ist der Unterschied zwischen Automatisierung und Transformation. Automatisierung macht das bestehende System schneller. Transformation macht das System besser.

Und im Zeitalter der KI könnte das Schließen der KI-Produktivitätslücke mit dem Digital Thread genau der Unterschied sein, der entscheidet, welche Unternehmen echten Wettbewerbsvorteil schaffen und welche lediglich die Komplexität beschleunigen, die sie bereits haben.