English
Français
Deutsch
繁體中文
日本語
Der Inhalt dieser Seite wurde automatisch von einem Drittanbieter übersetzt.
Wenn nur 40 % der Unternehmen offiziellen Zugang zu LLMs haben, aber mehr als 90 % der Mitarbeitenden bereits KI nutzen, geht es nicht mehr um Adoption. Es geht darum, ob KI innerhalb einer gesteuerten Produktrealität arbeitet.
Die meisten Unternehmen behandeln die unautorisierte Nutzung von KI noch immer als ein Richtlinienproblem. Ich denke, das verpasst das interessantere Signal.
Wenn Mitarbeitende offizielle Tools umgehen, sagen sie meist etwas, das die Organisation nicht hören möchte: Die Nachfrage ist bereits da, und das freigegebene Erlebnis erfüllt sie nicht.
Das war für mich die deutlichste Erkenntnis aus dem Harvard Business Review Artikel, der diesen Beitrag inspiriert hat, The Hidden Demand for AI Inside Your Company. Die Zahlen sind schwer zu ignorieren. Nur 40 % der Unternehmen haben offizielle LLM-Abonnements abgeschlossen, dennoch berichten Mitarbeitende aus mehr als 90 % dieser Unternehmen, dass sie private KI-Tools für die Arbeit nutzen. Das ist kein Randphänomen. Das ist latente Nachfrage, die sich ihren Weg bahnt.
Für die meisten Unternehmensbereiche ist das ein Governance-Problem. In Produktorganisationen ist es mehr.
Denn im Unternehmen geht es nicht nur darum, E-Mails zu optimieren oder allgemeine Dokumente zusammenzufassen. Es geht um Anforderungen, Stücklisten (BOMs), Engineering Changes, Lieferantendaten, Qualitätsereignisse, Fertigungspläne, Servicehistorien und das dichte Netz an Beziehungen, das ein Produkt definiert. Hier wird die Diskussion ernst. Sehr schnell.
Das Problem ist nicht die Nutzung von KI. Es ist die Nutzung von KI ohne Produktwahrheit.
Dieser Punkt wird meiner Meinung nach noch immer unterschätzt.
Ein allgemeines KI-Tool kann beeindruckend sein und dennoch in allen entscheidenden Punkten falsch liegen. Es weiß möglicherweise nicht, welche Revision aktuell ist. Es versteht möglicherweise keine Gültigkeiten. Es erkennt nicht, ob eine Anforderung ersetzt wurde, ob ein Qualitätsproblem noch offen ist oder ob der Nutzer überhaupt Zugriff auf die zugrunde liegenden Daten haben sollte. Es versteht nicht von selbst Freigabestände, Rückverfolgbarkeit, Konfigurationslogik oder die Auswirkungen von Änderungen.
Und in PLM-geprägten Umgebungen sind das keine Randfälle. Das ist die Arbeit.
Das zentrale Risiko ist nicht, dass Mitarbeitende KI nutzen. Es ist, dass sie KI außerhalb des gesteuerten Kontexts nutzen, der Engineering-Entscheidungen vertrauenswürdig macht.
Das ist die eigentliche Lücke. Nicht die Modellqualität. Die Kontextqualität.
Warum Shadow AI ein Signal ist, nicht nur ein Verstoß
Der HBR-Artikel macht hier ein wichtiges Argument. Unternehmen reagieren oft mit Einschränkungen, Überwachung und Kontrolle, obwohl dieses Verhalten eigentlich ein Hinweis auf unerfüllte Bedürfnisse ist. Mitarbeitende suchen Geschwindigkeit, Synthese, Mustererkennung und weniger Reibung. Sie wollen ihre Arbeit erledigen.
Im Digital Engineering wird diese Erkenntnis noch deutlicher.
Wenn Ingenieure, Qualitätsteams, Fertigungsplaner und Programmverantwortliche Consumer-KI in ihre tägliche Arbeit einbringen, zeigen sie, wo die Organisation zu viel Reibung hat. Langsame Suche. Schwache Wissenswiederverwendung. Fragmentierte Systeme. Kontext in Silos. Zu viele Übergaben. Zu wenig Rückverfolgbarkeit im Moment der Entscheidung.
Deshalb hängt dieses Thema so eng mit einer Digital Thread-Strategie zusammen. Ein Digital Thread ist nicht wertvoll, weil er modern klingt. Er ist wertvoll, weil er Kontext strukturiert. Er verbindet Anforderungen mit Systemmodellen, Teile mit Stücklisten, Änderungen mit Qualitätsdaten, Lieferanten mit Compliance-Auswirkungen und Serviceprobleme mit der Konstruktion. Ohne diesen Zusammenhang kann KI Sprache erzeugen. Mit ihm kann sie Engineering-Arbeit unterstützen.
Ein großer Unterschied.
Die nächste Phase der Enterprise-KI wird über Kontextarchitektur entschieden
Die Gewinner der Enterprise-KI werden nicht die Unternehmen sein, die die meisten Pilotprojekte starten. Davon gibt es genug. Was fehlt, ist operativer Kontext.
Die Unternehmen, die vorausgehen, werden KI mit gesteuerten Produktdaten, Lifecycle-Logik und Zugriffskontrollen verbinden. Mit anderen Worten: Sie behandeln KI als Teil des Betriebsmodells, nicht als isolierten Assistenten neben dem eigentlichen System.
Das hat Auswirkungen auf allen Ebenen.
Für PLM-Verantwortliche bedeutet es, dass Datenkontinuität vom Backoffice-Thema zur Voraussetzung für KI wird. Für Digital-Engineering-Teams unterstreicht es die Bedeutung von Lifecycle-Traceability und domänenübergreifenden Verknüpfungen. Für MBSE– und MBE-Initiativen stärkt es die Bedeutung strukturierter Modelle und vernetzter Darstellungen, die Maschinen nutzen können. Für Enterprise-Architekten erhöht es den Druck auf Interoperabilität, da eine KI-Schicht auf fragmentierten Systemen diese Fragmentierung übernimmt.
Garbage in, garbage out. Nur schneller.
Governance bleibt entscheidend, muss aber reifen
Ein Punkt im HBR-Artikel, den ich besonders überzeugend fand, ist die Betonung menschlicher Verantwortung. Im beschriebenen Modell von BBVA bleibt der Mensch verantwortlich, und direkte Änderungen an Kernsystemen sind eingeschränkt. Dieses Prinzip ist im Engineering noch wichtiger.
Nicht weil Engineering langsamer werden sollte. Sondern weil es kontrollierte Beschleunigung braucht.
Das bedeutet: KI braucht begrenzten Zugriff, nicht freien Zugang zu sensiblen Produktdaten. Sie muss mit aktuellen, autorisierten Daten arbeiten, nicht mit veralteten Exporten. Sie braucht nachvollziehbare Workflows und klare Verantwortlichkeiten. Und sie muss in einem System arbeiten, in dem Entscheidungen nachvollziehbar, überprüfbar und auditierbar sind.
Wenn das weniger spektakulär klingt als Demo-KI, ist das gut so. Vertrauenswürdige Enterprise-KI ist weniger Show und mehr Architektur.
Was das jetzt bedeutet
Die praktische Frage ist nicht mehr, ob KI im Engineering eingesetzt wird. Diese Diskussion ist vorbei.
Die eigentliche Frage ist, ob Ihre Engineering-Umgebung den Kontext bereitstellen kann, den KI benötigt, um nützlich zu sein, ohne riskant zu werden.
Das ist schwieriger, weil es den Blick unter die Oberfläche zwingt. Auf Datenqualität. Berechtigungen. Prozessreife. Digital Thread Vollständigkeit. Und darauf, ob PLM wirklich ein System der Produktwahrheit ist oder nur ein weiteres Repository.
Hier verschiebt sich der Markt. KI wird den Unterschied sichtbar machen zwischen Organisationen mit vernetzten Lifecycle-Fundamenten und solchen mit fragmentierten Tools. Die einen integrieren KI in reale Prozesse. Die anderen bleiben bei Demos und Compliance-Memos.
Abschließender Gedanke
Shadow AI ist nicht das Hauptproblem.
Das größere Risiko ist KI ohne Kontext, ohne Lifecycle-Disziplin und ohne Governance.
Das ist die eigentliche strategische Frage hinter der aktuellen Experimentierphase. Und deshalb sind Digital Thread, PLM, MBSE, MBE und Datenstrategie heute wichtiger denn je.
Die Zukunft ist nicht KI neben dem System.
Es ist KI im System.
Und wer das zuerst umsetzt, wird nicht nur Risiken reduzieren, sondern bessere Entscheidungen schneller treffen, mit mehr Transparenz und weniger Rauschen.
