Mensch oder Maschine

Sechs Monate oder sechs Jahre – die Zeitspanne der industriellen Produktentwicklung steht durch den Einsatz künstlicher Intelligenz vor einer massiven Kompression. Während die Softwareentwicklung bereits tiefgreifend durch automatisierte Codegenerierung transformiert wurde, stellt sich für das Systems Engineering eine komplexere Herausforderung: Wie lässt sich die Effizienz der Maschine mit der Unbestechlichkeit physikalischer Gesetze und regulatorischer Sicherheitsanforderungen vereinbaren? In dieser Folge von itemis PODIUM diskutieren wir den schmalen Grat zwischen technologischem Hype und industrieller Realität sowie die fundamentale Neudefinition der ingenieurwissenschaftlichen Identität im Zeitalter von Agentic R&D.

In dieser Expertenrunde begrüßt Moderator Felix Lerche, Leiter Vertrieb und Kommunikation bei der itemis AG, drei profilierte Gäste aus Forschung und Praxis. Eugen Schindler bringt als Experte für Digital Transformation und Model-Driven Development bei Canon Production Printing wertvolle Einblicke in die menschliche und organisatorische Seite der KI-Einführung ein. Ihm gegenüber steht Dr. Jörg Karl Berroth, geschäftsführender Oberingenieur für Systems Engineering an der RWTH Aachen und Geschäftsführer des Center for Systems Engineering, der die Brücke zwischen mechatronischer Grundlagenforschung und industriellem Methodentransfer schlägt. Komplettiert wird die Runde durch Dr. Alexander Nyßen, Head of Digital Engineering bei der itemis AG, der als Spezialist für MBSE und Tool-Architekturen die technologische Durchgängigkeit moderner Entwicklungsprozesse verantwortet.

Zentrale Erkenntnisse zur KI-gestützten Produktentstehung

• Disziplinäre Schere: Während KI in der Softwareentwicklung bereits „State of the Practice“ ist, verbleibt sie im Systems Engineering aufgrund der physikalischen Komplexität weitgehend in der Pilotphase.
• LLMs als neue Benutzeroberfläche: Large Language Models fungieren künftig als barrierearmer Zugang (UI) zu hochkomplexen formalen Modellen und senken die Einstiegshürde für die System-Formalisierung massiv.
• Vom Umsetzer zum Architekten: Die Rolle des Ingenieurs verschiebt sich weg von administrativen Dokumentationsaufgaben hin zum „Imagineering“ und zur qualitativen Plausibilitätsprüfung KI-generierter Entwürfe.
• Knowledge Graphs als Halluzinationsschutz: Für verlässliche Ergebnisse müssen statistische Sprachmodelle zwingend mit strukturierten Wissensgraphen verknüpft werden, um echtes „Denken in Konzepten“ zu ermöglichen.
• Haltung schlägt Angst: Transformation ist ein „Moving Target“; nur durch dezentrale Verantwortlichkeit und einen spielerischen Umgang mit neuen Tools lässt sich die notwendige „Digital Literacy“ in Organisationen nachhaltig aufbauen.

MBSE und KI: Synergie zwischen Formalisierung und Zugänglichkeit

Die größte Hürde für effizientes Systems Engineering war in der Vergangenheit oft der hohe Aufwand für die initiale Modell-Formalisierung. Hier bietet generative KI einen massiven Hebel: Sie übernimmt das handwerkliche Erstellen von Modellen aus natürlicher Sprache oder überführt unstrukturierte Informationen in formale Architekturen. Entscheidend bleibt jedoch, dass die KI nicht kontextfrei agiert. Ohne tiefes Verständnis der spezifischen Engineering-Domäne liefert ein LLM zwar syntaktisch korrekte, aber semantisch unbrauchbare Modelle.

Die Demokratisierung von Expertenwissen

Ein zentraler Effizienzgewinn liegt in der Bereitstellung von Berechnungs- und Simulationsmodellen für einen breiteren Nutzerkreis. Wenn etwa ein Vertriebsmitarbeiter über eine KI-Schnittstelle komplexe Systemparameter validieren kann, ohne den spezialisierten Berechnungsingenieur zu binden, wird wertvolle Zeit für echte Innovation frei. Der Ingenieur wandelt sich hierbei zum Kurator, der die Modelle in einem sicheren Rahmen bereitstellt und deren Ergebnisse plausibilisiert.

Wissensvernetzung als Fundament für Agentic R&D

Aktuelle Sprachmodelle neigen zu Halluzinationen, da sie auf statistischen Wahrscheinlichkeiten basieren und keine echten physikalischen oder logischen Konzepte verstehen. Um die Vision von „Agentic R&D“ – also autonomen Agenten in Forschung und Entwicklung – zu realisieren, muss das implizite Wissen aus den Köpfen der Experten in formale Knowledge Graphs extrahiert werden. Nur diese vernetzten Strukturen erlauben es, die „Unknown Unknowns“ der Physik systematisch zu erfassen und maschinell auswertbar zu machen.

Traceability und automatisierte Plausibilitätsprüfungen

Der Wunsch nach vollständiger Nachvollziehbarkeit (Traceability) über den gesamten Lebenszyklus ist ohne maschinelle Unterstützung kaum noch zu erfüllen. KI-Modelle verstehen heute bereits, wie unterschiedliche Artefakte – von der Anforderung über die Software-Architektur bis hin zum CAD-Dokument – zusammenhängen. Die Aufgabe des Ingenieurs verschiebt sich hierbei zur Aufsicht über diese automatisierten Trace-Links und zur finalen Beurteilung der Systemkonsistenz.

Der Faktor Mensch in der „Hidden Figures“-Transition

Die aktuelle Transformation erinnert an die Ära der „Hidden Figures“, in der menschliche Rechenkünstler durch elektronische Maschinen ersetzt wurden. Wer die neuen Techniken frühzeitig adaptiert, wird zum Treiber des Fortschritts. Die Angst vor De-skilling ist präsent, doch das Berufsbild des Ingenieurs hat sich historisch schon immer gewandelt – vom Kriegsbaumeister über den klassischen Mechaniker hin zum modernen Systemarchitekten.

Verantwortung und ethisch-moralische Instanz

Trotz beeindruckender Reasoning-Fähigkeiten bleibt der Mensch als „Quality Stopper“ unverzichtbar. Eine KI kann zwar den Großteil einer technischen Prüfung lösen, scheitert aber oft an der Interpretation komplexer Netztafeln oder unvorhergesehener Edge-Cases. Die Verantwortung für die Sicherheit des Endprodukts liegt weiterhin beim Menschen. Innovation wird künftig primär dadurch definiert, wie souverän Ingenieure die KI als Werkzeug orchestrieren, um wieder Zeit für technologische Durchbrüche zu gewinnen.