Jedes Jahr werden neue KI-Prognosen veröffentlicht, und Führungskräfte aus dem Ingenieurswesen versuchen, die Spreu vom Weizen zu trennen und zu entscheiden, welche Investitionen sich lohnen und welche warten können.
Wir haben es daher anders gemacht. Wir haben Dr. Dirk Alexander Molitor von Accenture, Ram Seetharaman, Leiter der KI-Abteilung bei Synera, und mich selbst, Daniel Siegel (CPO), in einem Raum versammelt und gefragt: Was wird als Nächstes im Bereich der agentenbasierten KI für das Ingenieurwesen passieren? Anschließend haben wir dies mit den Forschungsergebnissen der Analysten von Gartner® verglichen, um herauszufinden, wo sich ihre Ansichten decken und wo sie auseinandergehen.
Die meisten KI-Anwendungen im Ingenieurwesen sind zu eng gefasst.
Bevor er zu den Prognosen für 2026 kam, präsentierte Dirk konkrete Daten darüber, was tatsächlich funktioniert hat. Accenture hat gemeinsam mit der Deutschen Vereinigung für Künstliche Intelligenz und Fraunhofer 137 wissenschaftliche Publikationen zum Thema KI im Ingenieurwesen ausgewertet, um herauszufinden, welche Arten von Anwendungen echte Ergebnisse liefern.
Das Muster war auffällig. Die meisten KI-Anwendungen im Ingenieurwesen lösen Probleme innerhalb eines einzigen Bereichs, mit einem einzigen Werkzeug, einem einzigen Team und einem einzigen Schritt im Prozess. Sie gehen in die Tiefe, aber nicht in die Breite. Und genau das, so argumentierte Dirk, ist der Grund, warum so viele KI-Initiativen ins Stocken geraten. Sie optimieren einen Teil des Prozesses, ohne ihn mit anderen Teilen der Wertschöpfungskette im Ingenieurwesen zu verbinden.
Die KI-Erfolge, die den Durchbruch schafften und laut Accenture eine hohe vertikale und horizontale Reife erreichten, hatten alle eines gemeinsam: Sie nutzten Multi-Agenten-Systeme. Teams aus spezialisierten KI-Agenten, die über Tools, Datentypen und Ingenieursbereiche hinweg zusammenarbeiten konnten. Nicht nur intelligentere Copiloten, sondern auch vernetzte.
Diese Erkenntnis definiert die gesamte Zukunft der KI im Ingenieurwesen neu. Es geht nicht darum, ob KI eingesetzt werden soll. Es geht darum, ob Ihre KI-Agenten über Ingenieursdomänen hinweg zusammenarbeiten können.
Sie können Dirk dabei zusehen, wie er die Ergebnisse präsentiert und mit Ram und mir im On-Demand-Webinar „Agentische KI und Automatisierungstrends im Ingenieurwesen” diskutiert.
Zwei Bereiche, in denen Gartner, Accenture und Synera alle in die gleiche Richtung weisen
Auf dieser Grundlage zeichnen sich zwei Bereiche ab, in denen sich alle Experten einig sind, und die gerade deshalb Beachtung verdienen, weil sie nicht von einer einzigen Stimme stammen.
1. Der erste ist die Zusammenarbeit zwischen Mensch und KI als Infrastruktur.
Ram, Head of AI bei Synera, prognostiziert für 2026, dass Unternehmen nicht mehr nur darauf hoffen werden, dass Menschen und Agenten gut zusammenarbeiten, sondern diese Beziehung festigen werden. Das bedeutet, dass Führungskräfte hybride KI-Mensch-Teams, strukturierte Eskalationspfade, Feedback-Schleifen und Transparenz darüber schaffen müssen, was Agenten tun und warum.
Die Prognose von Gartner untermauert dies mit Zahlen: „Bis 2030 werden halbautonome Agenten etwa 10 % der Entscheidungen in den Bereichen Produktion, Qualität und Wartung treffen, gegenüber etwa 2 % heute, wobei Menschen die endgültige Genehmigung behalten.“
Die Untersuchungen von Accenture zeigen das gleiche Muster von unten nach oben: Die leistungsstärksten KI-Anwendungen sind bereits jetzt auf von Menschen definierte Prozesse und domänenübergreifende Koordination angewiesen, um zu funktionieren. Die Zusammenarbeit ist nicht optional, sondern macht das gesamte System vertrauenswürdig.
2. Erstellen Sie keine Agenten auf der Grundlage fragmentierter, domänenspezifischer Ingenieurs-Daten.
Die zweite Gemeinsamkeit betrifft die Daten. Alle drei Perspektiven kommen zu dem gleichen Ergebnis: Auf fragmentierten, domänenspezifischen technischen Daten lassen sich keine leistungsfähigen Agenten aufbauen.
Dirk, Digital Engineering Consultant bei Accenture, nannte die Interoperabilität von Tools und das mehrstufige Kontextmanagement als zentrale Voraussetzungen für effektive agentenbasierte KI-Systeme. Ram und ich prognostizierten außerdem, dass technische Daten durch Text-zu-CAD, Text-zu-Simulation und Standards wie SysML v2, die von grafischer Notation zu Text wechseln, der von großen Sprachmodellen (LLMs) tatsächlich analysiert werden kann, besser kompilierbar werden.
Gartner schätzt, dass genau aus diesem Grund bis 2030 30 % der Hersteller auf PLM-basierte digitale Threads angewiesen sein werden. Die Datengrundlage ist nicht nur eine technische Initiative, sondern auch eine notwendige Voraussetzung für den Erfolg der agentenbasierten KI bei der Skalierung.
Wo sie auseinandergehen: Zwei blinde Flecken, die man kennen sollte
Nicht alle Experten haben dieselben Themen behandelt, und die Lücken sind ebenso aufschlussreich wie die Überschneidungen.
1. Physikbewusste 3D-Grundlagenmodelle
Ram prognostiziert, dass die nächste Generation generativer Konstruktionsmodelle nicht nur Geometrien erzeugen wird. Sie werden Geometrien erzeugen, die mechanische Kräfte, Materialeigenschaften und strukturelles Verhalten verstehen. Unternehmen wie Nvidia treiben diese Entwicklung bereits mit Nachdruck voran. Dies ist die zukunftsweisendste Prognose von Synera, die weder von Gartner noch von Accenture in ihren Studien berücksichtigt wird. Ram wird in einem kommenden Deep Dive eine tiefergehende Perspektive zu diesem Thema bieten. Blog-Abonnenten erhalten diesen direkt in ihren Posteingang.
2. Softwarekostenkontrolle
Diese Prognose stammt von einem der führenden Experten auf diesem Gebiet: Gartner. Analysten sagen einen Anstieg der Kosten für Kernsysteme um 40 % bis 2030 voraus, der darauf zurückzuführen ist, dass Anbieter „Maschinenbenutzer” in ihre Preisgestaltung einbeziehen und die Bindung an bestehende Plattformen verstärken. Die Empfehlung lautet, jetzt zu handeln: Überprüfen Sie Ihre Rahmenlizenzvereinbarungen, begrenzen Sie Preiserhöhungsklauseln und verhandeln Sie Pauschalpreise für Maschinenbenutzer, bevor diese Bedingungen für Sie festgelegt werden. Für jede Führungskraft, die neben Technologieentscheidungen auch Entscheidungen zur Einführung von KI trifft, gehören die zugrunde liegenden Systemkosten in dieselbe Diskussion.
Der 360-Grad-Blick für Führungskräfte im Ingenieurwesen
Wenn man alle drei Expertenquellen zusammenfasst:
- Accenture zeigt, wo die Branche bisher stand: Die meisten KI-Anwendungen im Ingenieurwesen sind zu stark isoliert, um skalierbar zu sein, und die Anwendungen, die sich durchgesetzt haben, taten dies mit vernetzten Systemen.
- Synera zeigt Ihnen, wohin sich die agentenbasierte KI-Technologie für das Ingenieurwesen entwickelt: natürliche Zusammenarbeit zwischen Mensch und Agent, physikbewusste generative Modelle und Ingenieursdaten, mit denen Agenten domänenübergreifend nativ arbeiten können.
- Gartner zeigt Ihnen die wirtschaftliche Realität, die auf der anderen Seite wartet: bedeutende operative Gewinne und eine Kostenstruktur, die unvorbereitete Unternehmen überraschen wird. Für alle Details und Empfehlungen der Analysten laden Sie sich eine kostenlose Kopie der Gartner-Studie „Manufacturing Predicts 2026: AI Agents, Digital Twins and the Race to Autonomous Operations” herunter.
Der Konsens aller drei Punkte ist klar genug, um entsprechend zu handeln: Schaffen Sie die Datengrundlage und gestalten Sie die Übergabe zwischen Mensch und Agent bewusst. Die Führungsebene muss dabei eine wichtige Rolle übernehmen, um wertschöpfende Anwendungen für KI zu finden. Behandeln Sie die horizontale Integration als Priorität. Das ist der springende Punkt, wenn Sie die Vorteile der KI skalieren wollen. Und lassen Sie die Softwarekosten nicht in die Höhe schnellen, wenn agentenbasierte KI Ihrem Unternehmen „Maschinenbenutzer” hinzufügt. Verhandeln Sie proaktiv Preisbedingungen für Maschinenbenutzer in Ihren Rahmenverträgen, bevor die standardisierten Bedingungen der Anbieter greifen.
Über den Autor:
Daniel Siegel ist Mitbegründer und Geschäftsführer von Synera, einem Unternehmen, das die Arbeitsweise von Ingenieuren neu definiert, indem es ihnen hilft, digitale Mitarbeiter zu entwickeln, die wie Menschen denken und zusammenarbeiten. Mit mehr als zwanzig Jahren Erfahrung in der Softwareentwicklung und im Ingenieurwesen hat er einigen der weltweit führenden Unternehmen in den Bereichen Automobil, Luft- und Raumfahrt sowie Konsumgüter dabei geholfen, die Art und Weise, wie Produkte entworfen und hergestellt werden, zu überdenken. Daniel hat in sechs Ländern studiert und bringt eine globale Perspektive in Bezug auf Technologie, Kreativität und Innovation mit. Mit einem Master-Abschluss in Wirtschaft und Ingenieurwesen und einem Nanodegree in Deep Learning verbindet er technisches Fachwissen mit unternehmerischer Vision – angetrieben von einer Mission: jeden Ingenieur zu befähigen, die Zukunft zu gestalten.
