TL:DR
Die meisten KI-Implementierungen im Ingenieurwesen bleiben in der Pilotphase stecken, weil sie sich auf einzelne Tools konzentrieren, anstatt auf die Arbeitsabläufe zwischen diesen. Dieser Artikel stellt drei Ingenieurunternehmen vor, die durch den Einsatz koordinierter KI-Agentensysteme auf der Synera-Plattform die Proof-of-Concept-Phase hinter sich gelassen haben: einen Tier-1-Automobilzulieferer aus der DACH-Region, der die Bearbeitungszeit für Angebotsanfragen von drei Tagen auf wenige Minuten verkürzt hat; Knorr-Bremse, das die Vorbereitung von FEM-Simulationen automatisiert hat, um menschliche Fehler zu vermeiden und Spezialisten für höherwertige Analyseaufgaben freizustellen; und ein Premium-Hausgerätehersteller, der Echtzeit-Kostenfeedback direkt in die NX-Konstruktionsumgebung eingebettet hat. In jedem Fall resultierte der Leistungsgewinn nicht aus einem leistungsfähigeren KI-Modell, sondern aus der Beseitigung der manuellen Übergaben zwischen Tools, die bisher Engineering-Kapazitäten beansprucht hatten.
Die meisten KI-Projekte im Ingenieurwesen scheitern nicht, weil die Technologie nicht funktioniert. Sie scheitern, weil die Technologie zwar innerhalb eines einzelnen Tools funktioniert, der eigentliche Produktivitätsverlust jedoch in den Lücken zwischen den Tools liegt.
Ein Simulationsingenieur muss nach wie vor Geometriedaten extrahieren, diese für das Meshing-Tool formatieren, das Mesh validieren und an den Solver weiterleiten. Ein Kostenkalkulator muss nach wie vor warten, bis der Entwurf fertiggestellt ist, bevor die Berechnungen durchgeführt werden können. Ein Angebotsteam muss nach wie vor vier Systeme miteinander koordinieren, bevor eine Antwort versendet werden kann.
Gartners Bewertung von zwanzig KI-Anwendungsfällen für Konstruktion und Engineering in der Fertigung aus dem Jahr 2025 identifizierte acht „Likely Wins“, bei denen Technologiereife, ROI und Umsetzbarkeit übereinstimmen. Was das Rahmenwerk nicht erfasst, ist der sprunghafte Wertzuwachs, der entsteht, wenn diese Anwendungsfälle in koordinierte, toolübergreifende Workflows eingebunden werden, anstatt isoliert eingesetzt zu werden.
Dieser Artikel zeigt, wie dieser sprunghafte Wertzuwachs in der Praxis aussieht, und zwar anhand von drei Unternehmen, bei denen KI-Agenten bereits die Serienreife erreicht haben.
Warum das Tool niemals die Einschränkung ist
Der Tool-Stack im Engineering-Bereich der meisten Unternehmen aus der Automobil-, Luftfahrt- und Fertigungsindustrie ist nicht kleiner geworden, sondern gewachsen. CAD-Systeme, FEM-Preprozessoren, Kalkulationsplattformen, PLM-Umgebungen, ERP-Systeme, Anforderungsdatenbanken: Jedes erfüllt eine Funktion, jedes ist ein Teil des Gesamtbildes im Engineering, und jedes erfordert einen Spezialisten für die Bedienung sowie eine Person, die die Ergebnisse an das nächste Tool in der Kette weiterleitet.
Dies ist die Einschränkung, die einzelne KI-Tools nicht lösen. Ein Copilot innerhalb eines CAD-Systems beschleunigt die Abläufe in diesem System. Er erspart dem Ingenieur jedoch nicht die Zeit, die er damit verbringt, Ergebnisse zu extrahieren, sie für das Kalkulationsteam aufzubereiten, auf einen Kostenvoranschlag zu warten und dann zur Geometrie zurückzukehren, um weitere Iterationen durchzuführen. Die Übergaben bleiben bestehen. Der Koordinationsaufwand bleibt bestehen.
Die Prozessorchestrierung befasst sich mit einem anderen Problem. Anstatt ein einzelnes Tool zu erweitern, koordiniert ein orchestriertes Team aus KI-Agenten den gesamten Workflow: Es liest die Ausgaben eines Systems aus, leitet sie als Eingaben an das nächste weiter, überprüft sie in jeder Phase und stellt die Ergebnisse über eine einzige Schnittstelle bereit. Die Rolle des Ingenieurs wandelt sich vom Koordinator zum Prüfer: Die Agenten übernehmen die sich wiederholende, toolübergreifende Ausführung; der Ingenieur behält die Entscheidungsgewalt über die Ergebnisse.
Die drei folgenden Anwendungsfälle zeigen, wie diese Verlagerung in der Praxis aussieht.
ANWENDUNGSBEISPIEL 01: Automatisierung der Angebotsanfragen bei einem Tier-1-Zulieferer für Automobilteile
Gartner framework: Predictive Costing + Parts Search for Design
Hinweis: Bei diesem Kunden handelt es sich um einen Tier-1-Zulieferer der Automobilindustrie aus der DACH-Region. Sein Name wird aufgrund vertraglicher Vertraulichkeitsvereinbarungen nicht genannt.
Ein in ganz Deutschland und der DACH-Region tätiger Tier-1-Zulieferer für Automobilteile sah sich zwei sich verstärkenden Herausforderungen gegenüber: kürzere Entwicklungszyklen seitens der OEM-Kunden und geringere Margen bei jedem Angebot. Der Prozess zur Angebotsanforderung (RFQ) war ein manueller, mehrtägiger Arbeitsablauf, bei dem die Ingenieure in vier verschiedenen Systemen arbeiten mussten.
Vor der Orchestrierung
Wenn eine Angebotsanfrage einging, ging ein Ingenieur wie folgt vor:
- Er durchsuchte manuell frühere Projekte nach vergleichbaren Bauteilen
- Er entnahm den Dokumenten die relevanten Spezifikationen
- Er schätzte die Herstellungskosten mithilfe von Excel-Vorlagen
- Er verglich die Materialkosten mit denen aus dem ERP-System und erstellte das endgültige Angebot.
Der gesamte Prozess, der sich über die CAD-Bibliothek, das Dokumentenarchiv, Excel-Kalkulationsvorlagen und das ERP-System erstreckte, dauerte drei Tage pro Angebotsanfrage und erforderte die Mitwirkung mehrerer Ingenieure, die die Übergaben zwischen den Systemen koordinierten.
Angesichts des für einen Tier-1-Zulieferer typischen Volumens an Angebotsanfragen stellte dieser Zeitaufwand eine erhebliche Belastung für die Kapazitäten dar. Langsamere Antworten bedeuteten entgangene Geschäftsmöglichkeiten, insbesondere angesichts immer knapperer Kundenfristen.
Wie die Orchestrierung den Workflow verändert
Der Anbieter setzte auf der Synera-Plattform ein Team von KI-Agenten ein, von denen jeder für eine bestimmte Funktion innerhalb des Angebotsanfrageprozesses zuständig war:
- Ein Anforderungsagent extrahiert Spezifikationen aus eingehenden Angebotsanfragen, wertet die Kundenanforderungen aus und kennzeichnet Unklarheiten zur Überprüfung durch die Ingenieure.
- Ein Geometrieagent durchsucht die CAD-Bibliothek nach ähnlichen Teilen und identifiziert anhand der geometrischen Ähnlichkeit vergleichbare historische Komponenten.
- Ein Prozessagent ermittelt anhand der identifizierten Geometrie und der Kundenspezifikationen die geeigneten Fertigungsverfahren.
- Ein Kalkulationsagent berechnet den Verkaufspreis unter Verwendung historischer Projektdaten und aktueller Materialkosten aus dem ERP-System.
Die entscheidende Designentscheidung war nicht, welche Agenten eingesetzt werden sollten, sondern wie man sie miteinander vernetzt. Anstatt vier separater KI-Tools, die jeweils eine manuelle Übergabe erforderten, implementierte das Team
- Ein Koordinationsagent, der den gesamten Arbeitsablauf verwaltet: Er übergibt den Kontext zwischen spezialisierten Agenten, verwaltet den Status während des gesamten Prozesses und behandelt Ausnahmen, wenn Eingabedaten unvollständig sind.
- Ein System, in dem Ingenieure über eine einzige Schnittstelle interagieren, während die gesamte toolübergreifende Komplexität vom auf Synera gehosteten Agentensystem bewältigt wird.
Das Ergebnis
Ein Angebotsanfrageprozess, der früher drei Tage dauerte, ist nun in wenigen Minuten abgeschlossen. Das Engineering-Team des Lieferanten kann nun ein deutlich höheres Volumen an Angebotsanfragen bearbeiten, ohne zusätzliches Personal einzustellen, und schneller auf die Zeitvorgaben der OEMs reagieren.
Der Workflow entspricht direkt zwei der von Gartner genannten Anwendungsfälle für „Likely Win“ (vorausschauende Kostenkalkulation und Teilesuche für die Konstruktion), und die Zeitersparnis ergibt sich insbesondere daraus, dass diese beiden Prozesse zu einem koordinierten Ablauf kombiniert werden, anstatt sie isoliert voneinander einzusetzen.
ANWENDUNGSBEISPIEL 02: Simulationsvorbereitung bei Knorr-Bremse
Gartner framework: Simulation Model Creation and Governance
Knorr-Bremse, ein führender Hersteller von Bremssystemen für Nutzfahrzeuge, musste im Rahmen seines technischen Validierungsprozesses Finite-Elemente-Methoden- (FEM) und FEMFAT-Ermüdungsanalysen an Kurbelwellenmodellen durchführen. Die Vorbereitungsarbeiten, die erforderlich waren, um ein Modell für die Simulation vorzubereiten (Reduzierung der Geometrie, Oberflächenerkennung und Vernetzung), erfolgten manuell, waren von Fachkräften abhängig und führten regelmäßig zu Schwankungen in der Qualität der Ergebnisse.
Vor der Orchestrierung
Die Simulationsvorbereitung bei Knorr-Bremse war auf mehrere Tools verteilt:
- Geometrievorbereitung in einer Anwendung
- Meshing in einer anderen
- Simulationskonfiguration in einer dritten
Bei jedem Schritt musste ein Spezialist manuell eingreifen, das Ergebnis überprüfen und an den nächsten Schritt weiterleiten. Dies barg ein Risiko: Fehler an einer beliebigen Schnittstelle konnten sich auf die Ergebnisse auswirken und einen Neustart des gesamten Prozesses erzwingen.
Das größere Problem war jedoch die Konsistenz der Ergebnisse im Zeitverlauf. Wenn die Qualität in jedem Schritt vom individuellen Urteilsvermögen abhängt, schwanken die Ergebnisse. Für einen Hersteller, bei dem die technische Validierung die Grundlage für die Produktqualität bildet, hatte diese Schwankungsbreite direkte Auswirkungen auf die Zuverlässigkeit der Ergebnisse.
Vorher und nachher: Vorbereitung der Simulation
Wie die Orchestrierung den Workflow verändert hat
Knorr-Bremse hat mit Synera einen koordinierten Workflow zur Simulationsvorbereitung implementiert, der in drei Schritte gegliedert ist und von jedem Ingenieur im Team gestartet werden kann:
- Der Ingenieur lädt die STEP-Datei und die Konfigurationsparameter in Synera hoch.
- Das agentenbasierte KI-System von Synera, ein Supervisor, der einen Defeaturing-Agenten, einen Oberflächenerkennungsagenten und einen Vernetzungsagenten koordiniert, verarbeitet das Modell autonom, wobei in jeder Phase validierte Ergebnisse zwischen den Agenten ausgetauscht und Ausnahmen zur Überprüfung durch den Ingenieur markiert werden.
- Der Ingenieur überprüft das vorbereitete Modell und exportiert die Ergebnisse für den Simulationslauf.
Jeder Agent im Workflow führt seine spezifische Aufgabe gemäß festgelegten Regeln aus, wodurch sichergestellt wird, dass physikalisch relevante Entscheidungen deterministisch und nachvollziehbar bleiben. Der Supervisor-Agent koordiniert die Abfolge der Schritte, verwaltet den Datenfluss zwischen den Tools und stellt sicher, dass jeder Schritt korrekt abgeschlossen ist, bevor der nächste beginnt.
"Synera integriert unser Software-Ökosystem in eine einheitliche, KI-fähige Plattform, auf der Ingenieure eine Vielzahl von Aufgaben automatisieren können, um mehr Zeit für die Weiterentwicklung des Unternehmens zu haben.”
Dr. Zoltán Gyurkó, Team Leader, Knorr-Bremse
Das Ergebnis
Durch die Automatisierung sich wiederholender Vorbereitungsschritte und den Wegfall manueller Übergaben hat Knorr-Bremse eine wesentliche Ursache für menschliche Fehler aus seinem Simulationsworkflow beseitigt.
Die Auswirkungen:
- Größere Konsistenz bei den Eingabedaten für Simulationen
- Weniger Fehler, die sich auf die Ergebnisse auswirken
- Mehr Fachkompetenz: Ingenieure konzentrieren sich nun auf die Analyse und Auswertung statt auf die Vorbereitung
Der Workflow wurde auf der Synera-Plattform von dem Simulationsingenieur Bálint Farkas, dem Softwareentwickler Zsombor Csuvár und dem Team von Dr. Gyurkó erstellt und validiert.
ANWENDUNGSBEISPIEL 03: Integration von Design-to-Cost bei einem Hersteller von Premium-Haushaltsgeräten
Gartner framework: Predictive Costing + Design Concept Generation
Ein Hersteller von Premium-Haushaltsgeräten wollte das Kostenbewusstsein bereits in den Konstruktionsprozess selbst integrieren, anstatt die Kostenschätzung als nachgelagerte Tätigkeit zu betrachten, die erst nach Abschluss der Konstruktion erfolgte. Das Problem lag nicht in mangelnden Kalkulationsfähigkeiten, da das Team für die Kostenschätzung FACTON einsetzte, sondern in der sequenziellen Struktur des Prozesses, die dazu führte, dass die Ingenieure, die die Konstruktionsentscheidungen trafen, keinen Einblick in die Kosten hatten.
Vor der Orchestrierung
Der bisherige Arbeitsablauf verlief in voneinander getrennten Schritten:
- Ingenieure erstellten die Konstruktionen in NX
- Export der Dateien und Übermitlung mithilfe von FACTON an das Kalkulationsteam
- Warten auf die Rückmeldung der Kostenvoranschläge
- Überarbeitung der Konstruktion auf Grundlage des Feedbacks
Jeder Übergabeschritt führte zu zusätzlicher Verzögerung, wodurch eine schnelle Iteration unmöglich wurde.
Das eigentliche Problem lag im Zeitplan. Die Rückmeldungen zu den Kosten trafen zu spät ein, nachdem die Entwurfsentscheidungen bereits getroffen worden waren und eine Rücknahme mit hohem Aufwand verbunden war. Der Prozess begünstigte faktisch die Fertigstellung eines Entwurfs, bevor dessen Wirtschaftlichkeit geprüft wurde – genau das Gegenteil dessen, was die „Design-to-Cost“-Methodik verlangt.
Wie die Orchestrierung den Workflow verändert hat
Der Hersteller setzte ein koordiniertes Team aus Fachkräften für Konstruktion, Kalkulation und Simulation auf der Synera-Plattform ein, wobei die Arbeitsschritte nicht nacheinander, sondern parallel abliefen.
So funktioniert es:
- Ein Ingenieur ändert einen Konstruktionsparameter in NX
- Der Kalkulationsagent berechnet die Auswirkungen auf die Kosten mithilfe von FACTON sofort neu
- Werden Schwellenwerte überschritten, schlägt der Konstruktionsagent Alternativen vor
- Ingenieure sehen die Auswirkungen auf die Kosten in Echtzeit direkt in der Konstruktionsumgebung
So werden beispielsweise Entwürfe für Kunststoffplatten mittlerweile unter Berücksichtigung der Kostenkalkulation erstellt. Nicht etwa, weil eine einzelne KI leistungsfähiger geworden wäre, sondern weil Agenten, die in NX und FACTON zusammenarbeiten, Informationen bereitstellen, die zuvor erst am Ende des Prozesses sichtbar wurden.
Das Ergebnis
Das Kostenbewusstsein ist nun bereits in der Entwurfsphase verankert – genau dort, wo es den größten Einfluss auf das Ergebnis hat. Entwurfsentscheidungen, die früher erst am Ende der Entwicklung als zu kostspielig erkannt worden wären – wenn Änderungen sowohl zeit- als auch nachbearbeitungsaufwendig sind –, werden nun bereits während der Entwurfsphase identifiziert und angegangen, solange Alternativen noch praktikabel sind.
Diese Veränderung spiegelt wider, was Gartner als eines der zentralen Wertversprechen von KI im Ingenieurwesen identifiziert: Konstrukteuren die Möglichkeit zu geben, die Kostenauswirkungen ihrer Entscheidungen zu erkennen, bevor Fertigungsspezialisten Ressourcen bereitstellen. Die Koordinierungsebene, die eine werkzeugübergreifende Kostentransparenz in Echtzeit ermöglicht, ist es, die dieses Wertversprechen von einem Konzept in eine funktionierende Entwicklungsumgebung verwandelt.
Das Muster, das diese Anwendungsfälle gemeinsam haben
Drei Branchen. Drei Arbeitsabläufe. Drei verschiedene Anwendungsfälle von Gartner. Jedes Mal das gleiche Implementierungsmuster.
Tabelle: Synera KI Agenten Orchestrierung: Vergleich von Anwendungsfällen in der Produktion
Ausgangspunkt war die Abbildung der Arbeitsabläufe statt der Technologie:
- Wo geht Zeit verloren?
- Wo finden manuelle Übergaben statt?
- Welche Schritte sind sehr umfangreich, wiederholbar und durch die Verfügbarkeit von Fachkräften behindert?
Die Auswahl der KI und der Tools ergab sich aus diesen Antworten, nicht umgekehrt.
Die Architektur war bei allen dreien einheitlich:
- Spezialisierte Agenten, die einzelne Aufgaben übernehmen
- Ein Koordinator, der den Kontext verwaltet und die Abläufe steuert
- Ingenieure, die an den entscheidenden Stellen ihr Urteilsvermögen behalten
Das Ergebnis waren keine marginalen Effizienzsteigerungen – es handelte sich vielmehr um eine strukturelle Veränderung der Arbeitsweise, deren Wirkung sich mit der Vernetzung weiterer Prozesse noch verstärkt.
Für Führungskräfte im Engineering ist die Schlussfolgerung klar: Der Wert eines einzelnen „Gartner Likely Win“ ist zwar real, aber begrenzt. Die Verknüpfung von zwei oder drei solchen Lösungen zu einem koordinierten Arbeitsablauf schafft deutlich mehr Wert, denn die Einschränkung liegt nicht in den Funktionen eines einzelnen Tools, sondern in der Koordination zwischen allen Tools, die bei der Entwicklungsarbeit zum Einsatz kommen.
Wo Orchestrierung in Ihrem Unternehmen den größten Mehrwert schafft
Die oben genannten Anwendungsfälle gingen jeweils von derselben diagnostischen Frage aus: An welcher Stelle im Entwicklungsprozess geht Zeit in der Koordination statt in der eigentlichen Entwicklung verloren? Die Antwort wies in jedem Fall auf einen Arbeitsablauf hin, der Tool-Grenzen überschritt und manuelle Übergaben erforderte, um zu funktionieren. Genau hier schaffen koordinierte KI-Agenten den Entwicklungsteams durchweg die meisten Kapazitäten zurück.
Wenn Sie die KI-Investitionsprioritäten Ihres eigenen Unternehmens festlegen, lohnt es sich, zwei Ressourcen gemeinsam zu nutzen. Das Anwendungsfall-Framework von Gartner identifiziert, welche Funktionen einsatzbereit sind und welche ein höheres Implementierungsrisiko bergen.
FAQs
Was versteht man unter der Orchestrierung von KI-Agenten im Engineering?
Die Orchestrierung von KI-Agenten bezeichnet die Koordination mehrerer spezialisierter KI-Agenten über verschiedene Tools hinweg innerhalb eines einzigen automatisierten Workflows. Jeder Agent übernimmt eine bestimmte Aufgabe, wie beispielsweise die Geometriesuche, die Kostenschätzung, die Netzgenerierung oder die Analyse von Anforderungen, und leitet seine Ergebnisse direkt an den nächsten Agenten weiter, ohne dass manuelle Übergaben erforderlich sind. Das Ergebnis ist ein durchgängig automatisierter Prozess, der den gesamten Engineering-Tool-Stack umfasst, anstatt nur innerhalb einer einzigen Anwendung zu laufen.
Wie lange dauert die Implementierung von KI-Agenten in einem Engineering-Workflow?
Einfachere Workflows, die auf strukturierte Daten abzielen, wie beispielsweise Kostenprognosen, Teilesuche und Anforderungsmanagement, können auf der Synera-Plattform innerhalb von vier bis acht Wochen in die Produktion gehen. Komplexere Workflows, die die Vorbereitung von Simulationen oder die multikriterielle Optimierung umfassen, benötigen in der Regel ein bis zwei Quartale, abhängig vom Reifegrad der Daten und den Integrationsanforderungen. Die schnellsten Implementierungen beginnen mit einem klar definierten Workflow, anstatt zu versuchen, einen gesamten Prozess auf einmal zu orchestrieren.
Welche Workflows eignen sich am besten für die KI-Orchestrierung?
Am besten geeignet sind volumenstarke, wiederholbare Prozesse, die derzeit manuelle Übergaben zwischen zwei oder mehr Tools erfordern. Die Erstellung von Angebotsanfragen, die Vorbereitung von Simulationsmodellen, Design-to-Cost-Analysen und die Erstellung von PMI-Daten entsprechen alle diesem Profil. Workflows mit geringem Volumen, die stark vom Standard abweichen oder sicherheitskritische Entscheidungen ohne Fehlertoleranz beinhalten, erfordern eine zusätzliche Validierungsinfrastruktur, bevor eine Orchestrierung praktikabel ist.
Was ist der Unterschied zwischen einem KI-Copiloten und einem KI-Agenten im Engineering?
Ein Copilot unterstützt einen Ingenieur innerhalb einer einzelnen Anwendung; der Ingenieur koordiniert die Übergaben an das nächste Tool weiterhin manuell. Ein KI-Agent kann systemübergreifend agieren und Ergebnisse von einem Tool direkt an das nächste weiterleiten, ohne dass der Ingenieur eingreifen muss. Diese Unterscheidung ist wichtig, da in den meisten Engineering-Workflows der Produktivitätsverlust in der Koordination zwischen den Tools liegt, nicht innerhalb eines einzelnen Tools. Copiloten beschleunigen einzelne Schritte; Agenten beseitigen die Lücken zwischen ihnen.
Wie lassen sich KI-Agenten mit bestehenden Tools wie NX, FACTON oder SAP verbinden?
Synera lässt sich über native API-Integrationen, dateibasierte Konnektoren und speziell entwickelte Adapter mit Engineering-Tools verbinden – und zwar mit mehr als 80 CAD-, CAE-, PLM-, ERP- und Kalkulationsplattformen, darunter Siemens NX, CATIA, Ansys, FACTON und SAP. Ingenieure arbeiten weiterhin in ihren bestehenden Anwendungen; die Agenten-Ebene von Synera übernimmt den Datentransfer und die Prozesskoordination zwischen diesen. Die Bereitstellung kann vor Ort erfolgen, sodass Engineering-Daten und geistiges Eigentum innerhalb der eigenen Infrastruktur des Unternehmens verbleiben.
Über den Autor:
Ram Seetharaman ist Head of AI bei Synera und leitet die Multi-Agenten- und agentenbasierten KI-Initiativen des Unternehmens, die die Art und Weise neu definieren, wie Ingenieurteams komplexe Produkte entwerfen, simulieren und automatisieren. Mit seinem Hintergrund in Computational Mechanics von der Universität Stuttgart und fünf Jahren Erfahrung in der Anwendung von ML und KI auf ingenieurtechnische Arbeitsabläufe schlägt er eine Brücke zwischen fundierter technischer Forschung und Entwicklung sowie Produktstrategie. Bei Synera ist er für die KI-Strategie, die Roadmap und die Umsetzung verantwortlich und setzt Fachwissen in KI-gesteuerte Arbeitsabläufe um, die Simulation, Designraumerkundung und Automatisierung in großem Maßstab beschleunigen. Vor seiner Tätigkeit bei Synera war Ram als Digital-Twin- und Strukturoptimierungsingenieur an preisgekrönten Motorsport- und Luftfahrtprojekten beteiligt, wurde 2023 Weltmeister und arbeitete bei Volocopter an sicherheitskritischen Batteriecrash-Simulationen.
