Wie junge Unternehmen KI im Engineering einsetzen können, ohne die Traceability der Produktdaten, die Zertifizierbarkeit und die Engineering Accountability zu gefährden.
Am Anfang kennt ein kleines Team die Gründe für seine technischen Entscheidungen. Warum eine bestimmte Geometrie gewählt, ein Bauteil verändert oder ein Test wiederholt wurde, ist in einzelnen Dateien und im gemeinsamen Wissen der Entwickler festgehalten. Mit dem ersten Industriepartner, einem größeren Team oder einer anstehenden Zertifizierung reicht dieses vereinzelte und verteilte Wissen nicht mehr aus.
Spätestens dann muss nachvollziehbar sein, welche Anforderung hinter einer Entscheidung stand und welche konkreten Folgen eine Änderung auf welches System hat. Zusätzlich können KI-Agenten künftig viele Aufgaben übernehmen und die Entwickler damit entlasten, zum Beispiel Geometrien optimieren, Simulationen vorbereiten und Anforderungen strukturieren. Für A&D-Startups verändert das die Arbeit im Engineering grundlegend.
Die größten Herausforderungen für A&D-Startups
Für junge Unternehmen im Bereich Aerospace & Defense (A&D) beginnt die erste Herausforderung häufig bei den personellen Ressourcen. Wenige Entwickler müssen Wissen abdecken, das sich in größeren Organisationen auf ganze Spezialistenteams verteilt. Wenn Teammitglieder wechseln oder neue hinzukommen, müssen technische Entscheidungen nachvollziehbar bleiben, damit die Entwicklung nicht vom Wissen einzelner Personen abhängt.
Mit dem Produkt wächst auch der Abstimmungsaufwand. Mechanik, Elektronik, Software und Systemanforderungen sind eng miteinander verbunden. Eine Änderung an einer Komponente kann weitere Schnittstellen oder Freigaben berühren. Gleichzeitig müssen Startups mit begrenzten Ressourcen schnell vom Prototyp zu einem belastbaren Produkt kommen. Sobald Industriepartner oder Behörden beteiligt sind, steigen zusätzlich die Anforderungen an die Nachweispflichten. Die Entwicklungsprozesse müssen deshalb beides ermöglichen: zügiges Arbeiten und eine verlässliche Rückverfolgbarkeit technischer Entscheidungen.
Wo KI-Agenten im Engineering helfen
Im Requirements Management können KI-Agenten Anforderungen strukturieren, fehlende Verknüpfungen erkennen, Testfälle vorbereiten und Dokumentation unterstützen. Das reduziert den Aufwand für wiederkehrende Aufgaben enorm. Ob eine Anforderung letztlich erfüllt ist und welcher Nachweis für eine Freigabe ausreicht, entscheidet auch hier weiterhin das verantwortliche Team. Die Aufgabe des Produktentwicklers verschiebt sich damit: Er koordiniert häufiger automatisierte Arbeitsschritte, statt sie selbst durchzuführen. Dafür braucht er ein Verständnis der Systemzusammenhänge und die Fähigkeit, Vorschläge eines KI-Agenten fachlich einzuordnen.
Ein KI-Agent kann wiederkehrende Konstruktionsaufgaben automatisieren und Varianten nach vorgegebenen Kriterien vorbereiten. Er kann Änderungen am Modell anstoßen, wenn Randbedingungen und Zielgrößen bekannt sind. Der Produktentwickler definiert diese Bedingungen und beurteilt, ob der Vorschlag technisch sinnvoll und fertigungsgerecht ist. Bei Simulationen kann ein Agent Eingaben zusammenstellen, Läufe anstoßen, Ergebnisse vergleichen und Auffälligkeiten markieren. Die fachliche Bewertung bleibt dabei immer beim Ingenieur. Modellannahmen und Randbedingungen müssen geprüft werden, bevor aus einem Ergebnis eine technische Aussage wird.
Die Datenbasis entscheidet über den Nutzen
Natürlich kann ein KI-Agent nur mit den Informationen arbeiten, auf die er zugreifen kann. Liegen Anforderungen in einer Datei, CAD-Daten in einem isolierten System, Testergebnisse an einem anderen Ort und Freigaben in E-Mails, entsteht daraus keine verlässliche Entscheidungsgrundlage. Der Agent kann dann zwar eine Antwort formulieren, erkennt aber möglicherweise nicht, ob die Information aktuell ist, zu welcher Produktvariante sie gehört oder ob der zugehörige Test abgeschlossen wurde.
Diese Lücke wird vor allem bei Änderungen kritisch. Wenn eine Komponente ausgetauscht oder eine Softwareversion angepasst wird, muss das Team die Folgen nachvollziehen können. Dafür braucht es eine Verbindung zwischen Anforderung, Produktentscheidung, Test und Freigabe. Der Intelligent Product Lifecycle (IPL) liefert genau diese nötige Grundlage: Er verbindet Informationen aus Application Lifecycle Management (ALM), Computer-Aided Design (CAD) und Product Lifecycle Management (PLM) über den gesamten Entwicklungsprozess hinweg. Startups müssen dafür nicht ihre gesamte Organisation umbauen, sondern können zunächst die Daten verknüpfen, die für technische Entscheidungen und Nachweise gebraucht werden.
Vom Pilotprojekt zum skalierbaren Engineering-Prozess
Für Startups bedeutet das nicht, sofort die gesamte Engineering-Landschaft neu aufzubauen. Sinnvoller ist es, mit einem klar abgegrenzten Prozess zu beginnen. Ein Beispiel wäre eine einzelne Produktfunktion, bei der Anforderungen, Konstruktion und Tests bereits digital miteinander verknüpft werden. So lässt sich früh nachvollziehen, welche Anforderung zu welcher technischen Entscheidung geführt hat und wie ihre Erfüllung nachgewiesen wurde. Darauf können erste KI-Anwendungen aufsetzen. Besonders geeignet sind Aufgaben mit klar definierten Eingaben und Ergebnissen, etwa das Strukturieren von Anforderungen, das Vorbereiten von Testfällen oder das Erkennen fehlender Verknüpfungen. Entscheidend ist, dass der Produktentwickler die Ergebnisse überprüfen kann und die fachliche Verantwortung behält.
Wer diese Strukturen früh etabliert, schafft gleichzeitig eine Grundlage für späteres Wachstum. Neue Mitarbeiter können Entscheidungen leichter nachvollziehen, Nachweise müssen nicht erst kurz vor einer Zertifizierung zusammengesucht werden und KI-Agenten greifen auf verlässlichere Produktinformationen zu. Damit wird aus einem einzelnen KI-Pilotprojekt schrittweise ein skalierbarer Engineering-Prozess.
Der Produktentwickler als Koordinator
Mit KI-Agenten verändert sich die Arbeit im Engineering vor allem dort, wo heute viel Zeit in wiederkehrende Aufgaben fließt. Produktentwickler müssen künftig weniger jeden einzelnen Schritt selbst ausführen, dafür aber stärker bewerten, priorisieren und Zusammenhänge im Blick behalten. Sie entscheiden, welche Vorschläge technisch sinnvoll sind, wo Risiken entstehen und wann menschliche Prüfung erforderlich ist. Gerade für A&D-Startups kann das ein wichtiger Vorteil sein. Kleine Teams können mehr Aufgaben parallel bearbeiten, ohne die Kontrolle über technische Entscheidungen abzugeben. Voraussetzung dafür ist, dass KI-Agenten auf verlässliche und nachvollziehbare Produktinformationen zugreifen können.
Damit wird der Entwickler nicht ersetzt, sondern seine Rolle verändert sich: weg vom Bearbeiter einzelner Routinen, hin zum fachlichen Koordinator eines zunehmend automatisierten Entwicklungsprozesses. Für Startups liegt darin die eigentliche Chance von KI im Engineering: schneller zu arbeiten, ohne bei wachsender Komplexität die technische Kontrolle zu verlieren.
Bildcredits PTC
Aussagen des Autors und des Interviewpartners geben nicht unbedingt die Meinung der Redaktion und des Verlags wieder
