Die fehlende Ebene für KI im Engineering ist rollenbasierter Datenzugriff

Der Inhalt dieser Seite wurde automatisch von einem Drittanbieter übersetzt.

---

Der Markt steuert möglicherweise auf die falsche Ziellinie zu

Derzeit scheint sich ein großer Teil der Branche auf eine einfache Frage zu konzentrieren: Wie schnell können wir Agenten entwickeln?

Ich verstehe den Reiz. Agenten sind greifbar. Sie lassen sich gut demonstrieren und machen Fortschritte leicht sichtbar. Aber ich bin mir nicht sicher, ob Geschwindigkeit das Problem ist, das wir zuerst lösen müssen, insbesondere im Engineering. Möglicherweise versuchen wir, die Agentenebene aufzubauen, bevor einige der schwierigeren Grundlagen darunter bereit sind.

Engineering braucht nicht einfach deshalb Autonomie, weil Autonomie möglich ist. Es braucht KI, die zuverlässig an realen Engineering-Prozessen teilnehmen kann, bei denen Produktdaten, Änderungsprozesse, Rückverfolgbarkeit, Berechtigungen und kundenspezifische Arbeitsweisen eine Rolle spielen. Ein Agent kann in einer Demonstration beeindruckend wirken und dennoch an seine Grenzen stoßen, wenn er auf diese Realität trifft.

Je genauer ich beobachte, wohin sich dieser Markt entwickelt, desto mehr glaube ich, dass wir uns auf den sichtbaren Teil des Problems konzentrieren. Was der KI im Engineering fehlt, ist weder eine weitere Modellversion noch eine größere Sammlung von Agenten. Es ist der rollenbasierte Zugriff auf die Daten und den Kontext, den Menschen tatsächlich benötigen, um ihre Arbeit zu erledigen.

Im Engineering mangelt es nicht an Intelligenz

In den meisten Engineering-Organisationen ist bereits reichlich Fachwissen vorhanden. Der Zugang zum richtigen Kontext ist eine andere Sache.

Eine Anforderung kann sich in einem System befinden, während die Produktstruktur in einem anderen liegt. Änderungsdatensätze, Qualitätshistorien, Fertigungsbeschränkungen, Lieferanteninformationen, Rückmeldungen aus dem Feld und Programmentscheidungen können über den gesamten Lebenszyklus verteilt sein, häufig mit unterschiedlichen Regeln dafür, wer sie einsehen oder ändern darf.

In diesem Umfeld muss KI funktionieren. Und das ist einer der Gründe, warum generische KI Schwierigkeiten haben kann, die Zuverlässigkeit zu bieten, die Engineering-Teams erwarten.

Die Frage ist also nicht, ob ein KI-System eine intelligent klingende Antwort erzeugen kann. Kann es für diese Person, diese Aufgabe und diesen Moment den richtigen Lebenszykluskontext finden? Kann es dies mit den richtigen Berechtigungen tun? Und kann der Ingenieur zur Quelle zurückkehren und nachvollziehen, woher die Antwort stammt?

Das sind wesentlich praktischere Maßstäbe. Ohne sie wird Unterstützung schnell zu einer weiteren Quelle von Störsignalen.

Die Flut von Agenten wird ein anderes Problem schaffen

Wir nähern uns außerdem einem Punkt, an dem die schiere Anzahl von Agenten selbst Teil des Problems werden könnte.

Ingenieure haben nicht unbegrenzt Zeit, neue Tools zu bewerten. Die meisten Teams arbeiten bereits in einer komplexen Technologielandschaft, und von ihnen zu erwarten, einen stetigen Strom neuer Agenten einzeln zu beurteilen, ist unrealistisch. Je mehr davon auf den Markt kommen, desto mehr verändert sich die Herausforderung. Einen Agenten zu finden, wird einfach. Zu entscheiden, welche wirklich Aufmerksamkeit verdienen, wird schwieriger.

Deshalb vermute ich, dass die Auswahl mindestens ebenso wichtig werden wird wie die Einführung.

Engineering-Teams werden eine Möglichkeit benötigen, zwischen Tools zu unterscheiden, die den Zugriff auf vertrauenswürdige Engineering-Informationen tatsächlich verbessern, und solchen, die lediglich eine weitere Benutzeroberfläche hinzufügen. Dieser Unterschied wird nicht immer offensichtlich sein. Er wird sich in der täglichen Arbeit zeigen: in der Qualität des Kontexts, auf den ein Agent zugreifen kann, in den Kontrollen rund um diesen Zugriff und darin, ob seine Ergebnisse jemandem helfen, eine bessere Entscheidung zu treffen.

In einem solchen Markt ist Urteilsvermögen wichtiger als Begeisterung.

Eine Rolle ist keine Funktion, sondern Teil der Architektur

In allgemeinen Diskussionen über Unternehmens-KI geht häufig verloren, wie stark Engineering-Arbeit tatsächlich von der jeweiligen Rolle abhängt.

Nehmen wir ein einzelnes Produktproblem. Ein Systemingenieur möchte möglicherweise die zugrunde liegenden Anforderungen verstehen. Ein Fertigungsingenieur wird eher fragen, welche Auswirkungen es nachgelagert in der Produktion hat. Das Qualitätsmanagement muss das Problem möglicherweise zu einer bestimmten Änderung oder einem früheren Ereignis zurückverfolgen. Ein Programmmanager könnte dasselbe Problem unter dem Gesichtspunkt des Lieferrisikos oder der Auswirkungen auf den Kunden betrachten.

Dasselbe Produkt. Dasselbe zugrunde liegende Problem. Sehr unterschiedliche Fragen.

Und vor allem sollten diese Personen nicht unbedingt Zugriff auf exakt dieselben Informationen haben.

Deshalb betrachte ich die Rolle als architektonischen Aspekt und nicht als Personalisierungsfunktion. Sie beeinflusst Relevanz, Berechtigungen, Nachweise und letztlich die Frage, ob jemand den Aussagen der KI vertrauen kann.

Damit KI im Engineering funktioniert, muss sie sich innerhalb dieser Grenzen bewegen. Allen einen schnelleren Zugriff auf unvollständigen oder unangemessenen Kontext zu ermöglichen, macht eine Organisation nicht intelligenter. Es sorgt lediglich dafür, dass unvollständige Informationen schneller verbreitet werden.

Die eigentliche Chance liegt nicht in der Massenproduktion von Agenten

An dieser Stelle muss der Markt meiner Meinung nach auch neu darüber nachdenken, wie Erfolg aussieht.

Einen großen Katalog generischer Agenten zu produzieren und es den Kunden zu überlassen, Einsatzmöglichkeiten dafür zu finden, ist nicht besonders überzeugend. Interessanter ist die Frage, wo KI in der tatsächlichen Engineering-Arbeit einen bedeutenden Unterschied machen kann und wie diese Fähigkeit anschließend auf die Prozesse, Daten und die Governance des Kunden zugeschnitten werden sollte.

Es gibt keine einheitliche Engineering-Umgebung, für die sich standardmäßig entwickeln lässt.

Produktstrukturen unterscheiden sich. Änderungsprozesse entwickeln sich weiter. Systeme sammeln sich über Jahre hinweg an. Datenmodelle tragen die Geschichte zahlloser geschäftlicher und technischer Entscheidungen in sich. Zwei Unternehmen können dieselbe Kernplattform einsetzen und sie auf bemerkenswert unterschiedliche Weise nutzen.

KI lässt diese Unterschiede nicht verschwinden. In mancher Hinsicht macht sie sie sogar sichtbarer.

Deshalb betrachte ich Agenten nicht als universell einsetzbare Produkte. Sie sind nützlicher als konkrete Machbarkeitsnachweise: praktische Beispiele dafür, was KI in einem realen Workflow leisten kann, verbunden mit der Erwartung, dass die Erfahrung an die jeweilige Organisation angepasst werden muss.

Wo die Plattformstrategie an Bedeutung gewinnt

Das hat Auswirkungen auf die Plattformstrategie.

Die Unternehmen in der stärksten Position sind möglicherweise nicht diejenigen, die die größte KI-Geschichte erzählen. Ich denke, ein Vorteil wird bei Plattformen liegen, die bereits wissen, wie sie in hochspezifischen, kundenspezifisch geprägten Engineering-Umgebungen funktionieren müssen und diese Anpassungsfähigkeit auch auf KI übertragen können.

Denken Sie daran, was Kunden bereits von einer konfigurierbaren Plattform erwarten. Sie muss komplexe Produktlebenszyklen, unterschiedliche Prozesse, sich weiterentwickelnde Datenmodelle und die tatsächliche Arbeitsweise einer bestimmten Organisation unterstützen können. Warum sollte KI anders sein?

Sie sollte nicht als starre Ebene über allem anderen liegen. Sie sollte innerhalb dieser Umgebung funktionieren und dort Agenten einsetzen, wo sie sinnvoll sind, um gesteuerten Lebenszykluskontext in etwas zu verwandeln, auf dessen Grundlage Menschen handeln können.

Aus dieser Perspektive wird der Agent selbst weniger interessant. Entscheidend ist, worauf der Agent verantwortungsvoll zugreifen kann und wobei er Menschen unterstützt.

Für Anbieter von Engineering-Software halte ich das für eine wesentlich nachhaltigere Position. Dadurch verlagert sich die Diskussion weg von der Verpackung von KI hin zu den Fragen, die Kunden letztlich ohnehin stellen werden: Hat uns das geholfen, eine bessere Entscheidung zu treffen? Hat es uns tatsächlich relevante Zeit eingespart? Können wir darauf vertrauen? Funktioniert es wirklich in unserer Umgebung?

Die Digital-Thread-Strategie wird auf die Probe gestellt, nicht ersetzt

KI stellt auch jahrelange Strategien rund um den Digital Thread auf eine sehr praktische Probe.

Lange Zeit konzentrierte sich die Diskussion über den Digital Thread auf die Vernetzung: Informationen über Fachbereiche, Teams, Systeme und Lebenszyklusphasen hinweg miteinander zu verbinden. KI wirft nun die nächste Frage auf. Wenn diese Informationen miteinander verbunden sind, können sie dann tatsächlich genutzt werden, wenn eine Entscheidung getroffen werden muss?

Hier wird es interessant.

Kann ein Ingenieur die für seine Rolle relevanten Informationen abrufen, ohne die Governance zu umgehen? Kann er eine von der KI generierte Antwort bis zum zugrunde liegenden Datensatz zurückverfolgen? Kann der Lebenszykluskontext schnell genug bereitgestellt werden, um eine Entscheidung zu unterstützen und gleichzeitig seine Integrität zu bewahren?

Wenn die Antwort Nein lautet, sollten wir nicht davon ausgehen, dass das Problem bei der KI-Ebene liegt. KI deckt möglicherweise lediglich Schwächen auf, die bereits in der zugrunde liegenden Datenstrategie vorhanden waren.

Deshalb sehe ich KI und den Digital Thread als miteinander verbundene Herausforderungen. KI erhöht den Druck auf Lebenszyklussysteme, mehr zu leisten, als Informationen lediglich zu speichern und zu verwalten. Diese Informationen müssen jetzt in dem Moment nutzbar werden, in dem jemand sie benötigt.

Das ist ein anspruchsvollerer Maßstab und wahrscheinlich auch ein nützlicherer.

Grenzen kommen vor Autonomie

Autonomie dominiert häufig die KI-Diskussion, weil sie ein leicht vorstellbares Ziel ist. Ich glaube nicht, dass Engineering dort beginnen kann.

Bevor ein Unternehmen der KI mehr Freiheit zum Handeln gibt, muss es wissen, wo die Grenzen liegen. Welche Rolle ist beteiligt? Welchen Kontext sollte das System verwenden dürfen? Welche Berechtigungen gelten? Was muss rückverfolgbar sein?

Und wenn ein Ingenieur eine Antwort infrage stellt, muss das System zeigen können, wie es zu dieser Antwort gekommen ist.

Das mag weniger ambitioniert klingen als vollständig autonome Engineering-Agenten. Ich würde das Gegenteil behaupten. Ein KI-System zu entwickeln, das innerhalb der Rahmenbedingungen realer Engineering-Arbeit zuverlässig funktionieren kann, ist eine wesentlich bedeutendere Leistung als eines zu entwickeln, das autonom erscheint, bis jemand verlangt, dass es eine Entscheidung begründet.

Zuverlässigkeit muss vor Unabhängigkeit kommen.

Beginnen Sie mit kundenspezifischem Mehrwert, nicht mit der Anzahl der Agenten

Ich gehe davon aus, dass wir in den nächsten 12 bis 24 Monaten noch viele weitere Engineering-Agenten sehen werden. Einige werden reale Probleme lösen. Andere werden sich kaum voneinander unterscheiden lassen, sobald der anfängliche Neuheitseffekt nachlässt.

Engineering-Verantwortliche müssen nicht jedem davon hinterherlaufen.

Ein besserer Ausgangspunkt ist die Umgebung, die bereits vorhanden ist. Wo verlieren Menschen Zeit, weil sie nicht auf die richtigen Informationen zugreifen können? Wo verlangsamt fehlender Kontext eine Entscheidung oder schafft Risiken? Wo könnte KI helfen, und was müsste sie über die beteiligten Personen, Prozesse und Daten wissen, um dies verantwortungsvoll zu tun?

Diese Fragen sind weniger aufregend als die Anzahl der Agenten zu zählen, aber sie führen wesentlich näher an den tatsächlichen Mehrwert heran.

In diesem Sinne sind Agenten nützliche Machbarkeitsnachweise. Sie können zeigen, was möglich ist, wenn rollenbasierter Zugriff, Lebenszykluskontext und kundenspezifische Konfiguration zusammenkommen. Aber sie sind ein Mittel zum Zweck, nicht das Ziel.

Der Markt kann sein Rennen in Richtung Agenten fortsetzen. Das ist in Ordnung. Engineering-Verantwortliche sollten nur nicht den Fehler machen, Fülle mit Fortschritt zu verwechseln.

Die Unternehmen, die sich abheben werden, sind nicht unbedingt diejenigen, die die meisten Agenten produzieren. Es werden diejenigen sein, die KI innerhalb der komplexen, kontrollierten und hochspezifischen Realität der Engineering-Arbeit wirklich nutzbar machen.

Und deshalb komme ich immer wieder auf den rollenbasierten Datenzugriff zurück. Die fehlende Ebene ist weder das Modell noch der Agent.

Entscheidend ist, ob KI auf den Kontext zugreifen kann, von dem eine Engineering-Entscheidung tatsächlich abhängt, und zwar für die Person, die diese Entscheidung trifft, ohne dabei die Governance und Rückverfolgbarkeit zu verlieren, die diese Informationen überhaupt erst vertrauenswürdig gemacht haben.