Von vernetzten Systemen zu intelligenter Produktentwicklung

Der Inhalt dieser Seite wurde automatisch von einem Drittanbieter übersetzt.

Warum KI-Agenten mehr als nur Zugriff auf Daten benötigen

Seit Jahren konzentriert sich die digitale Transformation im Engineering auf die Integration.

Wir haben CAD mit PLM, PLM mit ERP sowie Engineering mit Fertigung, Qualität, Lieferanten und Service verbunden.

Diese Arbeit bleibt weiterhin notwendig. Doch die Vernetzung von Systemen ist nicht länger die größte Herausforderung.

Die eigentliche Herausforderung besteht darin, den Engineering-Kontext zu bewahren, während Informationen zwischen diesen Systemen ausgetauscht werden.

Eine Anforderung ist nicht nur Text. Ein Entwurf ist nicht nur Geometrie. Eine Änderung ist nicht nur ein überarbeitetes Objekt. Jedes dieser Elemente trägt Kontext in sich – darunter Produktkonfiguration, Revision, Abhängigkeiten, Verantwortlichkeiten, Freigaben und die Entscheidungen, die ihm vorausgingen.

Geht dieser Kontext verloren, bleiben die Systeme zwar verbunden, das Engineering-Wissen jedoch nicht.

Die traditionelle Integration dient dazu, Informationen zwischen Systemen zu übertragen. Doch der bloße Datentransfer garantiert nicht, dass das empfangende System oder Team die Bedeutung dieser Informationen versteht.

Bleibt eine Anforderung mit den davon betroffenen Konstruktionen, Tests, Risiken und Nachweisen für die Zertifizierung verknüpft?

Kann eine Konstruktionsänderung über Software, Hardware, Fertigung, Qualität und Service hinweg nachvollzogen werden?

Können Teams erkennen, für welches Produkt, welche Kundenkonfiguration und welche Revision die Informationen gelten?

Können sie unterscheiden, welche Informationen maßgeblich sind und welche lediglich Kopien darstellen?

Die eigentliche Herausforderung besteht nicht mehr nur darin, Informationen zu übertragen. Entscheidend ist, die Beziehungen zu bewahren, die diesen Informationen ihren Wert verleihen.

Warum der Engineering-Kontext wichtiger ist als die Systemintegration

Der Digital Thread wird häufig als Verbindung zwischen Systemen entlang des Produktlebenszyklus beschrieben. Diese Beschreibung greift jedoch zu kurz.

Ein aussagekräftiger Digital Thread muss Menschen und Systemen ermöglichen zu verstehen, was sich geändert hat, warum sich etwas geändert hat, was davon betroffen ist, für welche Konfiguration die Änderung gilt, wer sie freigegeben hat und welche Nachweise die Entscheidung stützen.

Dafür sind persistente Identitäten, nachverfolgbare Beziehungen, Konfigurationsbewusstsein, Verantwortlichkeiten, Herkunftsnachweise und Autorität erforderlich.

Das Ziel besteht nicht darin, alle Engineering-Disziplinen in einem einzigen System zusammenzuführen. Moderne Engineering-Umgebungen werden weiterhin verteilt bleiben. Mechanische Konstruktion, Elektronik, Software, Systems Engineering, Simulation, Fertigung, Qualität, Lieferanten und Service werden auch künftig unterschiedliche Werkzeuge nutzen.

Das Ziel besteht darin, Informationen verteilt zu halten, ohne den Kontext zu verlieren, der sie miteinander verbindet.

KI macht dies noch wichtiger.

Die erste Generation von KI im Engineering hat überwiegend als Copilot gearbeitet. Copiloten unterstützen Menschen bei der Suche nach Informationen, beim Zusammenfassen von Inhalten, beim Erstellen von Texten, beim Vergleichen von Informationen und beim Empfehlen der nächsten Schritte. Die Interpretation der Ergebnisse und die Entscheidung über das weitere Vorgehen bleiben beim Menschen.

Die nächste Entwicklungsstufe sind Agenten.

Agenten beantworten nicht nur Fragen. Sie werden Teil von Arbeitsabläufen.

Ein Engineering-Agent kann beispielsweise eine Änderung vorbereiten, betroffene Elemente identifizieren, Informationen aktualisieren, unterstützende Nachweise zusammenstellen oder Aufgaben zur Freigabe weiterleiten.

Dadurch steigen die Anforderungen an die zugrunde liegende Datenumgebung erheblich.

Ein Copilot kann auch mit unvollständigem Kontext nützlich sein. Ein Agent kann jedoch nicht sicher handeln, wenn er nicht weiß, an welchem Produkt, welcher Variante und welcher Revision er arbeitet, welche Informationen maßgeblich sind, welche Abhängigkeiten mit der Änderung verbunden sind, welche Regeln gelten und an welchen Stellen eine menschliche Freigabe erforderlich ist.

Die Verbindung eines Agenten mit mehreren Systemen bedeutet nicht, dass er die Beziehungen zwischen den darin enthaltenen Informationen versteht.

Ein Agent kann eine lokal richtige Änderung vornehmen und dadurch an anderer Stelle Probleme verursachen. Eine Änderung an einer Anforderung kann Auswirkungen auf Software, Hardware, Tests, Fertigungsanweisungen, Lieferanten und Zertifizierungsnachweise haben. Dieselbe Änderung kann für eine Produktkonfiguration korrekt und für eine andere falsch sein.

Deshalb reicht der Zugriff auf Daten allein nicht aus. KI benötigt Produktkontext.

Das Ziel ist nicht uneingeschränkte Autonomie. Das Ziel ist eine kontrollierte Delegation.

KI kann vorgeschlagene Arbeiten vorbereiten, Abhängigkeiten identifizieren, Auswirkungen bewerten, unterstützende Nachweise erstellen und die Arbeit an die richtige prüfende Person weiterleiten. Die Verantwortung für Beurteilung, Freigabe und Rechenschaft bleibt beim Menschen.

Damit dieses Modell funktioniert, muss die Produktumgebung festlegen, auf welche Informationen der Agent zugreifen darf, welche Änderungen er vornehmen darf, welche Abhängigkeiten er bewerten muss, welche Regeln er einhalten muss und wer das Ergebnis freigeben muss.

Ohne diese Grundlage werden Engineering-Agenten auf isolierte und risikoarme Aufgaben beschränkt bleiben. Mit ihr können sie beginnen, anspruchsvolle Engineering-Workflows sinnvoll zu unterstützen.

Eine PLM-Grundlage für KI-Agenten schaffen

PLM diente traditionell als führendes System für Produktstrukturen, Revisionen, Dokumente und Prozesse. Diese Rolle bleibt wichtig, reicht heute jedoch allein nicht mehr aus.

PLM muss zunehmend dazu beitragen, den Produktkontext über eine verteilte Engineering-Umgebung hinweg zu bewahren. Sein Wert liegt nicht einfach darin, mehr Informationen zu speichern. Er liegt darin, die Beziehungen aufrechtzuerhalten, die erforderlich sind, um Produkte zu verstehen, Änderungen zu bewerten und fundierte Entscheidungen zu unterstützen.

Dies wird noch wichtiger, wenn KI beginnt, an diesen Entscheidungen und Arbeitsabläufen mitzuwirken.

Für Engineering- und PLM-Verantwortliche lautet die entscheidende Frage nicht mehr nur, ob Systeme miteinander verbunden sind.

Wichtiger ist die Frage, ob der Engineering-Kontext über diese Systeme hinweg erhalten bleibt.

Können Abhängigkeiten erkannt werden, bevor eine Änderung vorgenommen wird? Lässt sich die Produktkonfiguration zuverlässig bestimmen? Kann KI maßgebliche Informationen von Informationen unterscheiden, die lediglich verfügbar sind? Lässt sich jede vorgeschlagene Maßnahme bis zu den zugrunde liegenden Nachweisen und Freigaben zurückverfolgen?

Unternehmen, die diese Herausforderungen lösen, werden wesentlich besser aufgestellt sein, um die Komplexität ihrer Produkte zu beherrschen und KI verantwortungsvoll zu skalieren.

Integration bleibt unverzichtbar. Aber Integration ist nicht das eigentliche Ziel.

Das Ziel ist ein konsistentes, kontrolliertes und handlungsfähiges Verständnis des Produkts – belastbar genug, damit Menschen ihm vertrauen und KI-Agenten darauf aufbauen und handeln können.

Weitere Informationen zu diesem Thema finden Sie im Blog Building the Foundation for AI in Product Development.