Was KI für PLM und den digitalen Faden bedeutet

Der Inhalt dieser Seite wurde automatisch von einem Drittanbieter übersetzt.

KI verändert IT-Landschaften

Künstliche Intelligenz ist inzwischen Teil der Diskussion in jeder Engineering- und Fertigungsorganisation. Wenn wir jedoch über KI im Product Lifecycle Management (PLM) sprechen, ist es wichtig, zwischen dem zu unterscheiden, was heute geschieht, und dem, was tatsächlich möglich ist.

Ein Großteil der Diskussion über KI konzentriert sich auf Modelle, Tools oder Chat-Schnittstellen. In einer PLM-Umgebung liegt die größere Chance jedoch in der Lifecycle Intelligence. KI im PLM beginnt heute oft mit einer verbesserten Suche.

Kürzlich hatte ich die Gelegenheit, diese Themen im Rahmen des Expertenpanels „AI Is Transforming IT Landscapes – Quo Vadis?“ zu diskutieren, das von UNITY veranstaltet wurde. Die Diskussion brachte Perspektiven aus Industrie und Wissenschaft zusammen, darunter Robert Lokner von Microsoft, Benedikt Müller von der Universität Stuttgart sowie mich selbst. Moderiert von Dirk Zint und Johannes Sommer untersuchte die Sitzung, wie KI komplexe Unternehmens-IT-Landschaften, insbesondere PLM-Umgebungen, verändern könnte.

Wo KI im PLM heute steht

Heute beginnen die meisten PLM-Umgebungen ihre KI-Reise mit konversationellen Schnittstellen. Ingenieure und Produktteams können Lifecycle-Daten in natürlicher Sprache abfragen, anstatt sich durch komplexe Systemstrukturen zu navigieren.

Auch wenn dies inkrementell erscheinen mag, ist der Mehrwert erheblich. Wenn Ingenieure schnell auf Produktinformationen zugreifen können, die über Modelle, Dokumente und Lifecycle-Datensätze verteilt sind, verbringen sie weniger Zeit mit der Suche und mehr Zeit mit der Entscheidungsfindung.

Diese Fähigkeit ist nur der erste Schritt hin zu einer tieferen Lifecycle Intelligence.

Wie KI Erkenntnisse aus dem digitalen Faden über den gesamten Produktlebenszyklus hinweg ableitet

PLM verbindet den gesamten Produktlebenszyklus, von Anforderungen und Design über Fertigung und Service bis hin zum Lebensende. Über diesen gesamten Zyklus hinweg erzeugen Unternehmen enorme Datenmengen, darunter Anforderungen, CAD-Modelle, Stücklisten, Änderungsdatensätze, Compliance-Dokumentationen und Servicedaten.

KI kann diese vernetzten Lifecycle-Informationen analysieren, um Muster und Zusammenhänge aufzudecken, die zuvor schwer zu erkennen waren.

Zum Beispiel kann KI:

• Risiken in der Lieferkette früher im Designprozess identifizieren
• Möglichkeiten zur Modularisierung von Produktarchitekturen erkennen
• Lifecycle-Daten analysieren, um zirkuläre Designstrategien zu unterstützen
• Erkenntnisse über Engineering, Fertigung und Service hinweg sichtbar machen

Diese Fähigkeiten helfen Engineering-Teams, Lifecycle-Zusammenhänge schneller zu verstehen und fundiertere Entscheidungen zu treffen.

Während der Paneldiskussion betonte Robert Lokner, dass die nächste Phase der KI-Adoption auch verändern könnte, wie Unternehmenssysteme miteinander interagieren. Anstatt sich ausschließlich auf traditionelle Integrationen zwischen PLM, ERP und anderen Engineering-Tools zu verlassen, könnten neue Ansätze mit KI-Agenten und gemeinsamen Protokollen es Systemen ermöglichen, Informationen dynamischer auszutauschen. In diesem Modell hilft KI dabei, Kontext und Absicht über mehrere Systeme hinweg zu interpretieren und Teams zu befähigen, verteilte Produktdaten abzufragen und zu analysieren, ohne dass jede Anwendung im Voraus eng integriert sein muss.

KI und die Zukunft der PLM-Anwendungsentwicklung

Eine weitere aufkommende Chance liegt darin, wie KI die Erstellung von PLM-Anwendungen verändern könnte.

Traditionell erfordert die Erweiterung einer PLM-Plattform spezialisierte technische Expertise und erheblichen Entwicklungsaufwand. Die Konfiguration von Workflows, Datenmodellen oder Lifecycle-Prozessen ist häufig mit langen Implementierungszyklen verbunden.

KI könnte diesen Prozess vereinfachen. Ingenieure oder PLM-Administratoren könnten künftig Anforderungen in natürlicher Sprache beschreiben und gemeinsam mit der Plattform Workflows, Anwendungen oder Lifecycle-Konfigurationen generieren.

Dieser Ansatz könnte es Unternehmen ermöglichen, ihre PLM-Umgebung schneller weiterzuentwickeln und Lifecycle-Prozesse an sich verändernde Geschäftsanforderungen anzupassen.

Daten-Governance und Interoperabilität bleiben entscheidend

Während KI neue Möglichkeiten eröffnet, macht sie auch grundlegende Herausforderungen sichtbar.

Eine der wichtigsten Prioritäten ist die Daten-Governance. Im PLM verwalten Unternehmen nicht nur Dateien, sondern bauen und pflegen den Kern ihres Produktwissens, einschließlich Designs, Entscheidungen, Diskussionen und der Beziehungen, die diese verbinden. Diese kollektive Intelligenz stellt einen wesentlichen Teil des geistigen Eigentums eines Unternehmens dar. Sie zu schützen bedeutet sicherzustellen, dass Engineering-Daten und Kollaborationsumgebungen nicht nur sicher sind, sondern über ihren gesamten Lebenszyklus hinweg sorgfältig gesteuert, kontrolliert und vertrauenswürdig bleiben.

Nicht alle Produktdaten sollten gleich behandelt werden. Ein entscheidender Schritt zur Skalierung von KI besteht darin, Daten entsprechend ihrer Sensibilität zu klassifizieren und zu verwalten. Drei zentrale Kategorien bieten einen hilfreichen Rahmen:

1. Unbeschränkte Daten umfassen Informationen, die öffentlich verfügbar sind oder keine sensiblen Produktdetails enthalten. Dazu gehören öffentlich zugängliche Produktspezifikationen, Marketingmaterialien und gängige Industriestandards.
2. Sensible Daten umfassen Informationen, die nur für Personen oder Organisationen mit spezifischen Zugriffsrechten zugänglich sein sollten. Der Zugriff auf neue Produktspezifikationen und Designs muss auf einen kleinen Kreis beschränkt sein. Generative KI darf niemals als Hintertür dienen, um auf sensible Informationen zuzugreifen. Gleichzeitig sollten berechtigte Nutzer nicht daran gehindert werden, das Potenzial von KI voll auszuschöpfen.
3. Vertrauliche Daten umfassen hochsensible Informationen wie Geschäftsgeheimnisse, proprietäre Designs, klassifizierte Dokumente oder einzigartige Fertigungsprozesse. Diese Daten müssen streng geschützt werden und sollten KI-Modellen nur unter streng kontrollierten Bedingungen zugänglich gemacht werden.

Durch die Verknüpfung dieses Klassifikationsschemas mit dynamischen, rollenbasierten Zugriffskontrollen können Unternehmen das Risiko unbeabsichtigter Offenlegung reduzieren – sei es über Chatbots, interne Assistenten oder generative KI-Modelle – und gleichzeitig sicherstellen, dass KI nur auf die dafür vorgesehenen Daten zugreift.

Eine weitere Herausforderung ist die Interoperabilität. Engineering-Organisationen arbeiten mit Ökosystemen aus PLM, ERP, Simulationstools, Fertigungssystemen und spezialisierten Engineering-Anwendungen. Damit KI echten Mehrwert liefert, muss sie über diese Systeme hinweg wirken und darf nicht auf isolierte Tools beschränkt bleiben.

Deshalb bleibt der digitale Faden so wichtig. KI entfaltet ihr größtes Potenzial, wenn sie Lifecycle-Daten aus dem digitalen Faden über das gesamte Engineering-Ökosystem hinweg nutzen und interpretieren kann.

KI zur Reduzierung von Produktkomplexität und Varianten einsetzen

Die Produktkomplexität nimmt in vielen Branchen weiter zu. Im Laufe der Zeit sammeln sich Varianten an, Produktstrukturen wachsen, und Engineering-Teams verbringen immer mehr Zeit damit, diese Komplexität zu verwalten.

Mit Zugriff auf die durch den digitalen Faden verbundenen Lifecycle-Daten kann KI Produktportfolios analysieren und Muster in Produktstrukturen und Konfigurationen erkennen.

Benedikt Müller brachte eine ergänzende Perspektive aus der Forschung ein. In seiner Arbeit zu frühen Produktentwicklungsprozessen stellte er fest, dass der größte kurzfristige Einfluss von KI darin liegen könnte, die Sichtbarkeit über fragmentierte Engineering-Informationen hinweg zu verbessern. Durch die Analyse von Daten über mehrere Systeme und Lifecycle-Phasen hinweg kann KI Zusammenhänge aufzeigen, die Ingenieure sonst möglicherweise übersehen würden. Gleichzeitig betonte er, dass Unternehmen Zeit investieren müssen, um KI-Systeme an ihre spezifischen Prozesse und Datenstrukturen anzupassen, bevor diese Vorteile vollständig realisiert werden können.

Zum Beispiel kann KI:

• Varianten identifizieren, die nur geringen Mehrwert bieten
• Komponenten hervorheben, die modularisiert werden sollten
• Designmuster aufzeigen, die Nachhaltigkeit oder Recyclingfähigkeit verbessern

Diese Erkenntnisse helfen Unternehmen, fundiertere Entscheidungen über Produktarchitekturen und Lifecycle-Strategien zu treffen und gleichzeitig unnötige Komplexität zu reduzieren.

Die Zukunft von KI im PLM

Mit Blick nach vorn wird KI wahrscheinlich ein natürlicher Bestandteil der Interaktion von Ingenieuren mit Lifecycle-Daten werden. Digitale Umgebungen könnten beginnen, proaktiv Erkenntnisse bereitzustellen, Risiken hervorzuheben oder Designverbesserungen vorzuschlagen, noch bevor Ingenieure die entsprechenden Fragen stellen.

Während der Paneldiskussion hob Robert Lokner zudem einen wichtigen Punkt zur langfristigen Wettbewerbsfähigkeit hervor. Während grundlegende KI-Modelle zunehmend zugänglich werden, liegt der eigentliche Vorteil für viele Unternehmen im industriellen Wissen, das in ihren eigenen Engineering- und Produktdaten steckt. Ein großer Teil der wertvollsten Expertise der Welt befindet sich in Unternehmen in Form von Design-, Betriebs- und Lifecycle-Daten. Wenn Organisationen dieses Wissen systemübergreifend vernetzen und KI effektiv einsetzen, erschließen sie Erkenntnisse, die Wettbewerber nicht leicht nachbilden können.

Unternehmen, die KI-Fähigkeiten mit einem starken digitalen Faden, hochwertigen Lifecycle-Daten und disziplinierter Governance kombinieren, werden am besten positioniert sein, um erfolgreich zu sein. Wenn KI die vernetzten Produktinformationen aus dem digitalen Faden analysieren kann, wird es möglich, über den gesamten Lifecycle hinweg verlässlichere Erkenntnisse zu gewinnen.

Wenn diese Elemente zusammenkommen, wird KI mehr als nur ein Werkzeug. Sie wird zu einem Katalysator für einen intelligenteren Produktlebenszyklus.

Bevor Sie gehen…Möchten Sie sehen, wie KI in der Praxis auf komplexe Engineering-Daten angewendet werden kann? Auf der Hannover Messe (20.–24. April) wird Aras einen KI-gestützten Varianten-BOM-Agenten präsentieren, der Produktstrukturen analysiert, Wiederverwendungspotenziale identifiziert und fundiertere Engineering-Entscheidungen unterstützt. Erfahren Sie hier mehr.

FAQ: KI und PLM

Wie verbessert KI das Product Lifecycle Management?
KI analysiert Lifecycle-Daten entlang des digitalen Fadens, um Erkenntnisse zu gewinnen, Prozesse zu automatisieren und Engineering-Entscheidungen zu unterstützen.

Kann KI die Komplexität von Produktvarianten reduzieren?
Ja. KI kann Produktportfolios analysieren, Muster erkennen, unnötige Varianten hervorheben und modulare Produktstrategien unterstützen.

Welche Herausforderungen bestehen bei der Implementierung von KI im PLM?
Zu den größten Herausforderungen gehören Daten-Governance, der Schutz geistigen Eigentums sowie die Integration von KI über mehrere Unternehmenssysteme hinweg.