Dreistufiges Experten-Framework zur Skalierung von KI-Agenten in Forschung und Entwicklung
Die meisten Unternehmen führen KI-Pilotprojekte durch. Nur wenigen gelingt es, daraus etwas zu machen, das wirklich den Unterschied ausmacht. Hier ist, was diejenigen, die es richtig angehen, anders machen.
Ein agentisches KI-System ist ein Netzwerk spezialisierter KI-Agenten, das Engineering-Aufgaben autonom ausführt, bewertet und iteriert, ohne dass bei jedem Schritt menschlicher Input erforderlich ist. Im Gegensatz zu einem einzelnen KI-Tool koordiniert ein agentisches System domänübergreifend, übergibt Aufgaben zwischen Agenten und steuert gesamte Workflows von Anfang bis Ende.
Die wachsende Kluft zwischen Geschäftserwartungen und der Realität in der Forschung und Entwicklung
80 % der Organisationen, die KI in der F&E einsetzen (Quelle: Webinar „AI Pilot to AI Workforce" mit McKinsey und Synera-Experten), schöpfen daraus keinen echten Mehrwert. Das liegt weniger an der Technologie selbst als daran, dass den meisten Organisationen die Identifizierung des richtigen Anwendungsfalls, die Gestaltung des Change Managements und die Entwicklung eines auf Skalierung ausgerichteten Plans nicht gelingt – und nicht nur eines Showcase.
Der F&E-Bereich stand bereits vor dem Einzug von KI unter enormem Druck:
- Chinesische OEMs bringen neue Fahrzeuge in 18 bis 24 Monaten auf den Markt, während westliche Wettbewerber im Schnitt noch vier bis fünf Jahre benötigen, fast doppelt so lange laut Manufacturing Digital und zwei- bis dreimal langsamer laut AlixPartners.
- Die Produktkomplexität steigt gleichzeitig auf der Software- und der Hardwareseite.
- Während der Kostendruck wächst, stagnieren Ingenieurkapazitäten und Budgets.
- Geopolitische Unsicherheiten und fragmentierte Lieferketten erhöhen das Risiko in jeder Entwicklungsphase.
KI versprach einen Ausweg aus all dem. Und sie kann dieses Versprechen einlösen. Aber nicht allein durch Pilotprojekte. Die meisten Organisationen haben eine Vielzahl von Proof-of-Concepts, Dashboards und isolierten Anwendungsfällen angehäuft. In ihrer Summe haben diese jedoch keine strukturelle Veränderung der Engineering-Arbeit bewirkt.
Dies ist die Lücke zwischen KI als Experiment und KI als Wettbewerbsvorteil. Genau diese Lücke adressieren Synera und McKinsey in diesem Webinar mit einem klaren Rahmenkonzept dafür, was Skalierung wirklich erfordert.
Marc Uth ist als Senior Account Executive bei Synera für Strategic Partnerships verantwortlich. Er hat maßgeblich dazu beigetragen, agentische KI-Systeme zur Lösung von Produktivitätsproblemen in namhaften Fertigungsunternehmen über Syneras agentische KI-Plattform für das Engineering einzuführen. Die Plattform ist mit über 80 Engineering-Tools verbunden, darunter CAD, FEA, PLM und Kalkulationssysteme, und automatisiert die Workflows zwischen ihnen.
Dr. Fabian Lensing ist als Associate Partner bei McKinsey & Company auf F&E-Transformation bei Automobilzulieferern, Nutzfahrzeug-OEMs und in der Prozessindustrie spezialisiert. Seit fast einem Jahrzehnt hilft er Entwicklungsorganisationen dabei, die Lücke zwischen KI-Ambitionen und KI-Wirkung zu schließen.
Gemeinsam haben sie einen klaren Weg von isolierten Pilotprojekten hin zu einer funktionierenden KI-Belegschaft skizziert. Im Folgenden sehen Sie, welche Themen sie behandelt haben.
Warum die meisten KI-Pilotprojekte nie skalieren
Bevor wir Lösungen beleuchten, ist es lohnenswert, die Gründe zu verstehen, warum so viele KI-Pilotprojekte ins Stocken geraten. Synera und McKinsey identifizieren dabei drei wiederkehrende Fehlermuster.
- Falsche Anwendungsfälle: Teams wählen oft das, was technisch spannend ist, anstatt das, was auf dem kritischen Pfad liegt. Ein Tool, das eine Aufgabe um 80 % beschleunigt, klingt zwar beeindruckend, doch wenn man erkennt, dass diese Aufgabe nur 5 % des Gesamtworkflows ausmacht, relativiert sich dieser Vorteil.
- Einzellösungen statt vernetzter Workflows: Einzelne Agenten, die isoliert voneinander Probleme lösen, erzeugen keinen Verbundeffekt. Mehrwert entsteht erst, wenn Agenten über Tools hinweg verbunden sind und Aufgaben ohne menschliche Zwischenschritte aneinander übergeben können.
- Der menschliche Faktor wird vernachlässigt. Pilotprojekte erzeugen Begeisterung. Ohne einen strategischen Rollout, gezielte Schulungen und dedizierte Experten zur Validierung der KI-Ergebnisse sinkt die Akzeptanz und das Projekt scheitert.
Die richtigen Anwendungsfälle zu identifizieren, gelingt selten von unten nach oben. Ohne klare Führung greifen Teams auf Vertrautes oder technisch Interessantes zurück, anstatt auf das, was wirklich den Ausschlag gibt. Eine strukturierte Bewertungsmethode hilft Führungskräften aus den Bereichen Engineering und F&E dabei, zu identifizieren, in welchen Bereichen KI den größten transformativen Einfluss haben wird.
Was agentische KI wirklich für das Engineering bedeutet
Der Begriff wird häufig unscharf verwendet, weshalb sich eine kurze Definition lohnt. Hier ist der Unterschied zwischen einem KI-Tool und einem agentischen KI-System:
Ein Tool führt eine Aufgabe aus, wenn ein Mensch es dazu auffordert. Ein KI-Agent hingegen bewertet das Ergebnis, entscheidet selbstständig, was als Nächstes zu tun ist, und iteriert, ohne auf einen Menschen warten zu müssen. Dieser Unterschied ist fundamental. Skaliert man dies auf ein Netzwerk spezialisierter Agenten, die jeweils eine Domäne verantworten, Kontext teilen und Aufgaben ohne Unterbrechung weitergeben, so entsteht ein agentisches KI-System, das gesamte Engineering-Workflows von Anfang bis Ende ausführt.
Das ist der Unterschied zwischen KI, die lediglich einen einzelnen Schritt beschleunigt, und KI, die den gesamten Koordinationsaufwand zwischen allen Schritten eliminiert.
In den Bereichen Forschung und Entwicklung im Engineering summieren sich Verzögerungen durch Wartezeiten auf Simulationsergebnisse, Abstimmungsrunden und späte Korrekturen unbemerkt auf.
Ein agentisches KI-System beseitigt die Latenz an jedem Knotenpunkt. Tools, die bislang nicht miteinander kommunizieren konnten, übergeben Aufgaben nun nahtlos aneinander. Spezialisten, die früher aufeinander warten mussten, werden entblockt. Der kritische Pfad verkürzt sich, da die Lücken zwischen den Arbeitspaketen geschlossen werden.
Ein gut konzipiertes agentisches KI-System im Engineering vereint drei Elemente:
- Einen logischer Kern: Ein Large Language Model, das Anforderungen liest, Ergebnisse bewertet und entscheidet, was als nächstes geschieht.
- Unternehmensspezifisches Wissen: Design-Richtlinien, Produkthistorien und Anforderungsdatenbanken, die das institutionelle Wissen enthalten, das bislang in den Köpfen der Mitarbeitenden steckt.
- Tool-Integrationen mit Handlungslogik: Anbindungen an CAD-, Simulations-, PLM- und Kalkulationssysteme, kombiniert mit expliziter Logik für deren sequenzierte Nutzung.
Agentische KI-Systeme, die mit einem Team spezialisierter Agenten arbeiten, gehen noch einen Schritt weiter. Betrachten wir das Beispiel eines solchen Systems, das einen Workflow von der Ideenfindung im Design bis zur Kalkulation steuert.
In diesem Fall koordiniert ein Supervisor-Agent mehrere Spezialisten: einen für Anforderungen, einen für Geometrie, einen für Simulation und einen für Kosten. Diese arbeiten parallel, handeln Ergebnisse aus und eskalieren nur dann an einen Menschen, wenn die Situation es wirklich erfordert. Ein Workflow, für den zuvor vier Übergaben und zwei Wochen erforderlich waren, läuft nun autonom.
Dies ist nur ein Beispiel. Wie das bei einem realen Engineering-Problem mit echten Tools in Echtzeit aussieht, wird in der Webinar-Aufzeichnung live demonstriert.
Das dreistufige McKinsey-Framework zur Skalierung von KI-Agenten in der F&E
Eines der praktischsten Ergebnisse der Session ist ein dreistufiges Framework, das McKinsey gemeinsam mit Engineering-Organisationen nutzt, um den Schritt vom Pilotprojekt zur Produktion zu vollziehen. Die einzelnen Phasen klingen auf den ersten Blick einfach, doch genau bei ihrer Umsetzung benötigen die meisten Organisationen Unterstützung.
Phase 1 – Bewertung der Workflows:
Bevor begonnen wird, muss festgelegt werden, wie die F&E-Funktion in fünf Jahren aussehen soll. Die aktuellen Arbeitsabläufe werden dokumentiert. Anschließend werden die Anwendungsfälle identifiziert, die in Bezug auf Wert, Machbarkeit und organisationale Akzeptanz ausreichend überzeugen, um als erste verfolgt zu werden. Alle drei Kriterien sind entscheidend. Fehlt eines davon, scheitert das Vorhaben entweder an der Finanzierung, der Umsetzung oder der Nutzung.
Phase 2 – Einen Proof of Value schaffen, kein MVP:
Diese Unterscheidung ist wichtiger, als es scheint. Ein MVP ist auf schnelles Lernen über Technologie und Workflow optimiert. Ein KI-Pilotprojekt, das als Proof of Value angelegt ist, ist dagegen auf den Business Case optimiert, der die nächste Investitionsrunde erschließt. Diese Herangehensweise verändert, was gebaut wird, wie Erfolg gemessen wird und wie das Vorhaben intern vermarktet werden kann.
Phase 3 – Skalieren wie ein Transformationsprogramm
Denn genau das ist es. Die Einführung von KI in den Engineering-Prozess scheitert, wenn sie als Plug-and-Play-Modell verstanden wird, denn es erfordert eine vollständige Transformation der Arbeitsabläufe, bevor KI überhaupt integriert werden kann.
Der Aufbau einer KI-Belegschaft erfordert konsequentes Value Tracking, Führungsverantwortung, Change Management und ein Modell, um frühe Befürworter zu finden und diese zu nutzen, um die gesamte Organisation mitzunehmen.
Die vollständigen Details zu jeder Phase, einschließlich der von McKinsey eingesetzten Tools für den Anwendungsfall-Auswahlprozess sowie des Governance-Modells zur Skalierung, werden in der Webinar-Aufzeichnung behandelt.
Möchten Sie das vollständige Framework in Aktion sehen? Schauen Sie sich das Webinar „Von agentenbasierten KI-Pilotprojekten zu einer KI-Belegschaft (englisch)" an und erhalten Sie das komplette Playbook.
Wie skaliert man KI-Pilotprojekte in der Engineering-F&E? 6 Tipps von McKinsey- und Synera-Experten
Die meisten KI-Programme kommen nicht voran, nicht weil die Technologie versagt, sondern weil die Organisation drumherum nicht auf Skalierung ausgelegt ist. Hier ist, was Unternehmen, die es richtig machen, anders tun.
Erst die Roadmap, dann alles andere
Beginnen Sie mit einer klaren Frage: Wie sieht Ihre F&E-Funktion in fünf Jahren aus? Dokumentieren Sie dann Ihre aktuellen Workflows anhand dessen, was heute möglich ist, und identifizieren Sie die Lücken. Ohne diesen Schritt entstehen Pilotprojekte, die jedes für sich sinnvoll erscheinen, aber in ihrer Summe nichts ergeben. Die Roadmap ist keine Formalie. Sie entscheidet, wo Sie Ihr Gewicht einsetzen.
Warum das wichtig ist: Ohne eine Roadmap bleiben KI-Investitionen verstreut. Verstreute Investitionen führen jedoch nie zu einem Wettbewerbsvorteil.
Plattformen nutzen, die mit Ihrer bestehenden Infrastruktur verbunden sind
Zu den größten versteckten Kosten im Engineering-KI-Bereich gehören Integrationsschulden. Agenten, die isoliert arbeiten und nicht mit Ihren bestehenden Tools kommunizieren können, liefern weit unter ihrem Potenzial ab. Synera hingegen verbindet sich mit über 80 Engineering-Tools, darunter CAD-Umgebungen, FEA-Solver, PLM-Systeme und Kalkulationsdatenbanken. Diese Breite ist entscheidend, denn Mehrwert in der F&E entsteht nicht durch die Automatisierung eines einzelnen Tools. Er entsteht durch das Beseitigen von Übergaben zwischen allen Tools.
Warum das wichtig ist: Die Leistungsfähigkeit eines KI-Systems hängt von den Tools ab, auf die es zugreifen kann. Im Engineering liegt der Wert daher in den Verbindungen zwischen den Tools und nicht in den Tools selbst.
KI-Botschafter früh identifizieren und gezielt fördern
In jeder Organisation gibt es Ingenieure, die bereits experimentieren, neugierig sind und auf dem halben Weg sind. Finden Sie diese Personen. Geben Sie ihnen Zeit und Ressourcen, um sich intensiv mit den ersten Anwendungsfällen zu befassen. Machen Sie sie dann sichtbar. Sie werden mehr für die Akzeptanz tun, als es je eine Top-down-Kommunikationskampagne könnte.
Warum das wichtig ist: Akzeptanz verbreitet sich in Engineering-Organisationen nicht von oben nach unten, sondern von Mensch zu Mensch. Dafür braucht es die richtigen Personen, die die Botschaft weitertragen.
Das F&E-Betriebsmodell rund um agentische KI neu denken
Die meisten F&E-Organisationen basieren noch immer auf einer Grundannahme: Jeder Schritt eines Workflows erfordert einen Menschen. Agentische KI bricht mit dieser Prämisse. In domänenintensiven Bereichen wie der Strukturanalyse oder dem Thermomanagement ermöglichen expertengeführte KI-Teams, dass sich Spezialisten vollständig auf Urteilsvermögen und Validierung konzentrieren können, während die Agenten das Setup, die Iteration und die Ergebnisverarbeitung von Simulationen übernehmen.
Auf Programmebene verfolgt ein KI-gesteuerter Projekt-Control-Tower Abhängigkeiten, markiert Risiken und koordiniert gleichzeitig mehrere Programme. Er liefert Programmmanagern entscheidungsreife Informationen statt Daten, die erst mühsam zusammengetragen werden müssen. Je nach den Bedürfnissen Ihrer Organisation können Sie auch ein System in Betracht ziehen, bei dem ein virtueller CAE- und Simulations-Shared-Service FEA-, CFD- und Mehrkörperdynamik-Workflows auf Abruf ausführt.
Warum das wichtig ist: Mithilfe agentischer KI-Systeme kann das Application Engineering zu 80 bis 90 % autonom werden: Die Agenten arbeiten auf Basis eines vorgegebenen Briefings, während sich die Ingenieure ausschließlich auf kreatives Problemlösen konzentrieren.
Change Management als zentrales Deliverable begreifen
KI-Akzeptanz folgt einem vorhersehbaren Muster: Sie steigt beim Launch – und fällt dann. Nicht wegen Widerstand gegen KI, sondern weil keine Struktur vorhanden ist, um neues Verhalten zu verstetigen, sobald die anfängliche Begeisterung nachlässt.
Was den Rückgang verhindert:
- Führungskräfte, die KI-Nutzung selbst vorleben und sie nicht nur in Präsentationen befürworten
- Eine klare organisationale Erzählung darüber, wohin die Reise geht und was das für ihre Rollen bedeutet
- Ehrliche Antworten auf die Karrierefragen, die Ingenieure bereits stellen
Warum das wichtig ist: Selbst das ausgefeilteste agentische KI-System bringt keinen Mehrwert, wenn Ingenieure es nicht nutzen. Und sie werden es nicht nutzen, wenn die richtige Struktur drumherum fehlt.
KI in das Performance-System integrieren
Schulungsprogramme sind zwar notwendig, aber nicht ausreichend. Wenn die Akzeptanz von KI nicht in der Messung von Führungskräften sichtbar wird, verliert sie immer gegen das, was gemessen wird. Die Organisationen, die am schnellsten skalieren, haben die Nutzung von KI und ROI-Ziele in den Vereinbarungen mit den leitenden Mitarbeitern verankert, nicht als Nebenprojekt, sondern als Teil der Unternehmensführung. Dieses Signal verbreitet sich schnell. Seine Abwesenheit noch schneller.
Warum das wichtig ist: Was gemessen wird, wird getan. Wenn die Akzeptanz von KI nicht im Performance-System verankert ist, wird sie immer als optional behandelt.
Was erwartet Sie noch im Webinar „AI Pilots to AI Workforce"?
Diese sechs Prinzipien zeigen Ihnen den Weg. Das Webinar vermittelt Ihnen die nötige Tiefe.
In der vollständigen Session gehen Marc und Fabian noch weiter und beleuchten im Detail:
- Das vollständige dreistufige McKinsey-Framework – einschließlich der Tools zur Anwendungsfall-Auswahl und des Governance-Modells
- Echte Kundendaten eines Tier-1-Automobilzulieferers zeigen, was mit der RFQ-zu-Angebot-Durchlaufzeit und den Gewinnquoten geschah, nachdem agentische KI mit einem Team von Agenten eingesetzt wurde.
- Eine Live-Demo der Synera-Plattform, die zeigt, wie ein agentisches KI-System einen realen Engineering-Workflow autonom von der Anforderung bis zum validierten Ergebnis abwickelt
Frühe Anwender agentischer KI holen nicht nur auf. Sie ziehen davon und setzen das Tempo. Wenn Sie entscheiden möchten, in welche F&E-Projekte Sie in den nächsten zwölf Monaten investieren wollen, ist dies die Session, die Sie gesehen haben sollten.
Das Webinar kann kostenlos angesehen werden und ist on demand verfügbar.
