Was Gartners KI-Studie für den Ingenieursbereich b

TL;DR

Gartners Einschätzung von 20 Anwendungsfällen für KI im Ingenieurwesen bis zum Jahr 2025 bietet Führungskräften einen fundierten Rahmen, um Investitionen zu priorisieren. „Likely Wins” wie die vorausschauende Kostenkalkulation, das Anforderungsmanagement und die Erstellung von Projektmanagement-Plänen (PMI) bieten einen nachgewiesenen ROI und eine überschaubare Integration. „Calculated Risks” wie Simulations-Governance und Lebenszyklusanalysen bieten Unternehmen Wettbewerbsvorteile, die bereit sind, zunächst in eine solidere Datenbasis zu investieren. Gartner bewertet jedoch jeden Anwendungsfall isoliert. Unternehmen, die tatsächlich die Produktionsreife erreichen, gehen anders vor: Sie verbinden diese Funktionen zu koordinierten Arbeitsabläufen, die CAD-, Simulations- und Kalkulationstools umfassen, ohne dass manuelle Übergaben zwischen ihnen erforderlich sind. Diese Koordinierungsebene ist es, die eine Sammlung von Pilotprojekten von einer Transformation unterscheidet. Bei Synera bildet sie den Kern dessen, was wir entwickeln.

‍

Die Auswahl der richtigen KI-Anwendungsfälle für den Ingenieursbereich

In den meisten Gesprächen über Technologie-Roadmaps ist die Auswahl der richtigen KI-Anwendungsfälle für den technischen Bereich mittlerweile die entscheidende Frage – und die Folgen einer falschen Entscheidung sind kostspielig. Pilotprojekte erreichen nie die Produktionsphase. Oder Punktlösungen, die weiterhin manuelle Übergaben erfordern. Oder Investitionen, die in Demos beeindrucken, bei der Umsetzung jedoch ins Stocken geraten. Laut einem O’Reilly-Bericht aus dem Jahr 2024 kommen nur 26 % der KI-Initiativen über die Pilotphase hinaus, während 74 % aufgrund betrieblicher oder organisatorischer Hindernisse ins Stocken geraten. Eine IDC-Studie drückt es noch deutlicher aus: Von 33 gestarteten KI-Proof-of-Concepts schaffen es nur vier in die Produktion.

Im Juli 2025 veröffentlichte Gartner seine erste strukturierte Bewertung von KI-Anwendungen für Design und Engineering in der Fertigungsindustrie. Dabei wurden zwanzig Anwendungsfälle anhand der beiden Dimensionen „geschäftlicher Nutzen” und „Umsetzbarkeit” beurteilt. Das Bewertungsmodell ist nützlich. Es ist jedoch auch unvollständig und lässt eine Lücke offen, die erklärt, warum manche Engineering-Abteilungen die Serienreife erreichen, während andere beim Proof of Concept stecken bleiben.

Ich leite den Bereich KI bei Synera, einer KI-Agentenplattform, die speziell für Engineering-Teams in Unternehmen wie Hyundai, der BMW Group, Airbus und Knorr-Bremse entwickelt wurde. Die Einschätzung von Gartner deckt sich weitgehend mit unseren Beobachtungen aus der Praxis. Dieser Artikel führt durch die Forschungsergebnisse, ergänzt sie um den Kontext aus der Praxis und identifiziert die Variable, die im Rahmenwerk von Gartner nicht berücksichtigt wird: die Prozessorchestrierung. Sie macht den Unterschied zwischen dem Einsatz von KI und der Transformation der Art und Weise, wie Engineering-Arbeit geleistet wird.

Wie bewertet man KI-Anwendungsfälle im Ingenieurwesen?

Der im Juli 2025 veröffentlichte Gartner-Bericht zur Bewertung von KI-Anwendungsfällen für Design und Konstruktion in der Fertigungsindustrie bewertet zwanzig KI-Anwendungen anhand von zwei Kriterien:

• Geschäftlicher Nutzen: Das Ausmaß, in dem ein Anwendungsfall messbare Auswirkungen auf Produktivität, Kosten, Qualität oder Geschwindigkeit hat.
• Umsetzbarkeit: Wie ausgereift die Technologie ist, wie komplex die Integrationsanforderungen sind und wie hoch die Einführungsbarrieren in der Praxis tendenziell sind.

Anhand dieser beiden Dimensionen unterteilt Gartner die zwanzig Anwendungsfälle in drei Kategorien:

• Likely Wins: Diese weisen einen hohen geschäftlichen Nutzen und eine hohe Umsetzbarkeit auf. Die Technologie ist ausgereift, der ROI ist nachweisbar und die Einführungshürden sind überschaubar. Hier sollten die meisten Unternehmen ansetzen.
• Kalkulierte Risiken: Diese weisen einen hohen geschäftlichen Nutzen auf, die Umsetzbarkeit ist jedoch variabel oder geringer. Sie bieten erhebliches Potenzial, erfordern jedoch ein stärkeres Engagement der Organisation, längere Umsetzungsfristen oder besser entwickelte Datengrundlagen, bevor sie Ergebnisse liefern.
• Geringe Gewinne: Diese weisen im Verhältnis zum Umsetzungsaufwand einen geringeren geschäftlichen Nutzen auf. Sie werden aus dieser Analyse ausgeschlossen: Für die meisten technischen Unternehmen, die mit Ressourcenengpässen zu kämpfen haben, rechtfertigt das Verhältnis von Investition zu Ertrag es nicht, ihnen in dieser Phase Priorität einzuräumen.

Likely Wins vs. kalkulierte Risiken: Auf einen Blick

‍

Gartners „Likely Wins“: KI-Anwendungsfälle, die bereits heute einsatzbereit sind

Gartner nennt acht Anwendungsfälle, bei denen die Kombination aus technologischer Reife, nachweisbarem ROI und überschaubaren Einführungshürden sie zu den besten Ausgangspunkten macht. Aufgrund meiner Zusammenarbeit mit Entwicklungsabteilungen in den letzten zwölf Monaten bin ich der Ansicht, dass drei praktische Kriterien darüber entscheiden, ob ein „Likely Win“ tatsächlich in die Produktion gelangt:

• Das Gleichgewicht zwischen der Leistungsfähigkeit des Modells und der Integrationsfähigkeit der umgebenden Tools, da KI nur so nützlich ist wie ihre Anbindung an die technischen Systeme, in denen die eigentliche Arbeit stattfindet.
• Die für eine unternehmensweite Einführung erforderlichen Integrationsschichten, einschließlich Authentifizierung, Datenverwaltung und Kompatibilität mit bestehenden PLM- und CAx-Umgebungen.
• Wie nah die ausgewählte Aufgabe an einem geschäftskritischen Prozess liegt: Je näher sie an Umsatz, Angebotsgeschwindigkeit oder Produktqualität liegt, desto überzeugender ist das Argument für eine Investition und desto klarer ist die Messbarkeit.

Gemessen an diesen Kriterien stechen drei „Likely Wins“ als die vielversprechendsten Ansatzpunkte für die meisten Ingenieurbüros hervor:

Vorausschauende Kostenkalkulation

Mithilfe der prädiktiven Kostenkalkulation können Ingenieure die Fertigungskosten direkt aus CAD-Daten abschätzen und erhalten Empfehlungen zur Kostensenkung, noch bevor Ressourcen gebunden werden. Laut Gartner existiert diese Funktion bereits seit den 1980er Jahren, ihre Wirksamkeit wurde jedoch durch generative KI erheblich gesteigert.  

Unternehmen, die auf Ähnlichkeit basierende Ansätze nutzen, bei denen KI historische Projektdaten durchsucht, um vergleichbare Komponenten zu finden, berichten von einer deutlichen Verkürzung der Schätzungszeit. Die Kombination aus strukturierten historischen Daten, wiederholbaren Geometrie-Eingaben und der direkten Verbindung zu geschäftlichen Entscheidungen macht diese Funktion zu einem der am ehesten umsetzbaren „Likely Wins“.

Anforderungsmanagement

Das Anforderungsmanagement befasst sich mit einem hartnäckigen Problem in technischen Unternehmen. Designanforderungen sind häufig über Dokumente, Datenbanken und das Fachwissen einzelner Mitarbeiter verstreut. KI kann die Erfassung und kontextbezogene Organisation von Anforderungen automatisieren und so den Nacharbeitsaufwand reduzieren, der dadurch entsteht, dass Teams mit inkonsistenten oder veralteten Informationen arbeiten.  

Laut Gartner wird dieser Anwendungsfall bereits von führenden Herstellern eingesetzt, erfordert jedoch eine Anpassung an die unternehmensspezifischen Anforderungsstrukturen. Wo dies gelingt, wird eine der häufigsten Ursachen für Designänderungen in späten Projektphasen beseitigt.

Erstellung und Auswertung von PMI

Was ist PMI? Der Begriff „Product Manufacturing Information“ (PMI) bezeichnet Anmerkungen, die direkt in 3D-CAD-Modelle eingebettet sind und Fertigungs- und Prüfanforderungen vermitteln, darunter geometrische Bemaßungen und Toleranzen (GD&T), Angaben zur Oberflächenbeschaffenheit, Materialangaben und Montagehinweise. PMI ersetzt oder ergänzt herkömmliche 2D-Konstruktionszeichnungen, indem diese Daten direkt an die Modellgeometrie angehängt werden, wodurch sie maschinenlesbar und in allen nachgelagerten Fertigungs- und Qualitätsprozessen nutzbar sind.

Die PMI-Generierung und -Diagnose automatisiert die Erstellung von Produktfertigungsinformationen (geometrische Bemaßung und Tolerierung) und kennzeichnet Fehler, bevor diese sich in nachgelagerten Prozessen ausbreiten. Über Effizienzgewinne hinaus geht dieser Anwendungsfall auf ein wachsendes Problem ein: Wenn erfahrene Ingenieure in den Ruhestand gehen, geht das in ihren PMI-Entscheidungen enthaltene implizite Wissen mit ihnen verloren.  

Die KI-gestützte Generierung bewahrt dieses institutionelle Wissen in einer skalierbaren, überprüfbaren Form.

Zu den weiteren vielversprechenden Anwendungsbereichen zählen die Entwicklung von Designkonzepten, die Extraktion von Inhalten aus technischen Zeichnungen, die Zeichnungsprüfung, die Planung von Fertigungsprozessen sowie die Teilesuche für die Konstruktion. In all diesen Bereichen werden bewährte Technologien mit deutlichen Effizienzvorteilen und klar erkennbaren Integrationsmöglichkeiten verbunden.

Kalkulierte Risiken: Hochwertige KI-Investitionen, die ein solideres Fundament erfordern

Die von Gartner als „kalkulierte Risiken“ bezeichneten Ansätze bergen ein erhebliches Potenzial, setzen jedoch saubere historische Daten, Lieferantendaten und Trainingsdatensätze für maschinelles Lernen sowie ein stärkeres Unternehmensengagement oder die Bereitschaft, längere Implementierungszeiträume in Kauf zu nehmen, voraus. Sie stellen den Bereich dar, in dem sich Wettbewerbsvorteile ergeben – für Unternehmen, die bereit sind, zunächst in die Grundlagen zu investieren, bevor sie die eigentliche Funktion nutzen.

Konzeption für die Qualitätsbewertung

„Design for Quality Assessment“ nutzt KI, um Entwürfe zu analysieren und Verbesserungsvorschläge hinsichtlich Zuverlässigkeit und Langlebigkeit zu unterbreiten, noch bevor physische Tests beginnen. Gartner weist darauf hin, dass hierfür erhebliche Investitionen in maschinelles Lernen erforderlich sind, um die vielfältigen Dimensionen der Qualitätskriterien über Materialien, Fertigungsprozesse und Betriebsbedingungen hinweg zu erfassen.  

Für Unternehmen, in denen Qualitätsmängel hohe Kosten verursachen – darunter unter anderem die Crash-Sicherheit im Automobilbereich und die strukturelle Qualifizierung in der Luft- und Raumfahrt –, ist der Nutzen erheblich. Voraussetzung ist eine ausreichend umfangreiche Historie von Ergebnissen zur Designqualität, anhand derer das Modell trainiert werden kann.

Erstellung und Verwaltung von Simulationsmodellen

Die Themen „Erstellung von Simulationsmodellen” und „Governance” befassen sich mit dem Vorbereitungsengpass, der jeder Finite-Elemente-Analyse vorausgeht. Zu den Schritten, die dabei erforderlich sind, gehören Defeaturing, Oberflächenerkennung und Netzgenerierung.  

Diese Schritte sind zeitaufwendig, erfordern Fachwissen und wiederholen sich bei verschiedenen Modellvarianten in hohem Maße. KI kann den Vorbereitungsworkflow automatisieren, sodass sich Simulationsingenieure auf die Analyse und Interpretation statt auf die Einrichtung konzentrieren können.  

Laut Gartner stellt dies eine Herausforderung hinsichtlich der Machbarkeit dar, da die Variabilität der Geometrie und die Präzisionsanforderungen der Simulation eine vollständige Automatisierung erschweren. Unternehmen, denen dies jedoch gelingt, erschließen erhebliche Kapazitäten in ihrem am stärksten ausgelasteten technischen Bereich.

Planung für die Lebenszyklusanalyse

„Design for Life Cycle Assessment“ automatisiert die Umweltverträglichkeitsanalyse über den gesamten Lebenszyklus eines Produkts hinweg. Bereits in der Entwurfsphase wird eine Nachhaltigkeitsbewertung integriert, anstatt diese als reine Compliance-Maßnahme am Ende zu behandeln. Laut Gartner ist die Datenverfügbarkeit das Haupthindernis: Vielen Unternehmen fehlen detaillierte Material- und Prozessdaten und Änderungen bei Lieferanten oder Materialien können die Modellgenauigkeit beeinträchtigen. Für Unternehmen mit einer ausgereiften Infrastruktur für Lieferantendaten gewinnt diese Fähigkeit angesichts verschärfter regulatorischer Anforderungen zunehmend an strategischer Bedeutung.

Weitere berechnete Risiken umfassen die Überprüfung der Einhaltung gesetzlicher Vorschriften, die Materialermittlung, die Fehlermöglichkeits- und Einflussanalyse (FMEA) sowie die multikriterielle Designoptimierung. Jede dieser Aufgaben ist mit einer erheblichen Komplexität bei der Umsetzung verbunden, befasst sich jedoch auch mit einem Prozess, der derzeit viel Zeit von Fachingenieuren in Anspruch nimmt.

‍

Ist Ihr Unternehmen bereit für ein kalkuliertes Risiko?

Um die Bereitschaft vor der Entscheidung zu prüfen, sind drei Fragen zu klären:  
(1) Verfügen Sie über ausreichende historische Daten, die strukturiert, gekennzeichnet und zugänglich sind, auf deren Grundlage das Modell trainiert werden kann?  
(2) Kann Ihr Team einen Implementierungszeitplan verkraften, der sich eher in Quartalen als in Wochen bemisst?  
(3) Gibt es die Unterstützung der Unternehmensleitung, um die Investition über einen längeren Zeitraum hinweg aufrechtzuerhalten, bis sich der Nutzen nachweist?

Sollte die Antwort auf eine dieser Fragen ungewiss sein, ist es zuverlässiger, mit einem „wahrscheinlichen Sieg“ zu beginnen und sich dann in Richtung „kalkuliertes Risiko“ vorzuarbeiten.

‍

Die Lücke, die Gartners Rahmenwerk offen lässt: Prozessorchestrierung

Das Rahmenwerk von Gartner bewertet Anwendungsfälle einzeln. In der Praxis verbinden die wertvollsten KI-Implementierungen jedoch mehrere Anwendungsfälle zu koordinierten Arbeitsabläufen, die verschiedene Tools, Datenquellen und technische Rollen umfassen. Dieser Unterschied ist von enormer Bedeutung.

Eine typische Entwicklungsumgebung sieht wie folgt aus:

• Zu den Prozessen gehören CAD-Systeme, Simulationswerkzeuge und Kalkulationssoftware, allesamt von verschiedenen Anbietern.  
• Die Anforderungen sind über Dokumente und Datenbanken verstreut.  
• Ingenieure verbringen viel Zeit damit, zwischen den verschiedenen Tools zu wechseln, die Ergebnisse eines Systems in Eingaben für ein anderes zu übersetzen und Übergaben manuell zu koordinieren, die eigentlich automatisch erfolgen sollten.

Dieser Koordinationsaufwand stellt das eigentliche Produktivitätshemmnis dar und übersteigt die Fähigkeiten jedes einzelnen KI-Modells.

Unternehmen, die die besten Ergebnisse erzielen, gehen damit anders um.

• KI wird gleichzeitig in mehreren Anwendungsfällen eingesetzt und ist nicht auf eine einzelne Funktion beschränkt  
• Agenten koordinieren die Zusammenarbeit zwischen verschiedenen Tools und Datenquellen und kombinieren dabei die Teilesuche, die Kostenschätzung und die Vorbereitung von Simulationen  
• Workflows sind miteinander verknüpft: Die Ausgabe eines Agenten wird automatisch zur Eingabe für den nächsten  
• Kein Ingenieur muss sich um die Übergaben zwischen den einzelnen Schritten kümmern
• Diese „Koordinationsschicht“ verwandelt isolierte KI-Fähigkeiten in autonome, durchgängige Workflows  
• Dies führt zu messbaren Produktivitätssteigerungen entlang der gesamten Pipeline  
• Ein koordiniertes Agententeam kann:
  
  • Eine STEP-Datei (Standard for the Exchange of Product Model Data) lesen
  • Historische Projektdaten abfragen
  • Eine Simulationsvorbereitungssequenz ausführen
  • Eine Kostenschätzung ausgeben
  • All dies geschieht in jeder Phase ohne manuelles Eingreifen

Eine KI-Agentenplattform wie Synera, die speziell dafür entwickelt wurde, Engineering-Tools in koordinierte Arbeitsabläufe einzubinden, bietet einen grundlegend anderen Mehrwert als vier separate KI-Tools, zwischen denen manuell Übergaben durchgeführt werden müssen.

Insbesondere die von Gartner am höchsten bewerteten Anwendungsfälle hinsichtlich Implementierbarkeit, vorausschauender Kostenkalkulation, Anforderungsmanagement und Teilesuche für die Konstruktion eignen sich am besten für die Orchestrierung. Sie beinhalten strukturierte Daten, wiederholbare Prozesse und klare Integrationspunkte mit angrenzenden Workflows. Ein Unternehmen, das diese drei Tools isoliert einsetzt, nutzt nur einen Bruchteil des Nutzens, der durch ihre Verbindung zu einem einzigen koordinierten Prozess verfügbar wäre.

‍

KI für Führungskräfte im Ingenieurwesen: Wie man Prioritäten bei KI-Investitionen setzt

Das Gartner-Framework liefert die Struktur. Die praktische Frage ist, wie es als Entscheidungshilfe und nicht nur als Leseliste genutzt werden kann. Durch die Beobachtung, welche Unterschiede es zwischen Organisationen gibt, die die Produktionsphase erreichen, und denen, die in der Pilotphase verbleiben, lassen sich fünf Muster ausmachen, die die erfolgreichen Unternehmen durchweg auszeichnen.

1. Sie setzen KI dort ein, wo Fehler tolerierbar und behebbar sind. Die zuverlässigsten Ansatzpunkte sind Aufgaben mit hohem Durchsatz, bei denen Fehler der KI eher zu Reibungsverlusten als zu Ausfällen führen. Die Vorbereitung von Simulationen, die Kostenschätzung und die Organisation von Anforderungen sind Tätigkeiten, bei denen das Aufspüren von Fehlern Teil des standardmäßigen technischen Arbeitsablaufs ist. Unternehmen, die versuchen, KI zunächst für sicherheitskritische oder irreversible Entscheidungen einzusetzen, stoßen auf Einführungsbarrieren, die nichts mit der Technologie selbst zu tun haben.
2. Es wird am aktuellen Stand gemessen, nicht an theoretischen Basiswerten. Laut einer McKinsey-Umfrage aus dem Jahr 2024 gibt weniger als jedes sechste Unternehmen an, messbare geschäftliche Auswirkungen durch KI zu erzielen. Diese Lücke ist oft auf ROI-Rahmenwerke zurückzuführen, die auf theoretischen Benchmarks statt auf tatsächlichen Vorher-Nachher-Vergleichen basieren. Die überzeugendsten Business Cases quantifizieren Verbesserungen im Vergleich dazu, wie die Arbeit heute tatsächlich erledigt wird.
3. Sie priorisieren Zeitersparnis gegenüber technologischer Raffinesse. McKinseys globale Umfrage zur KI-Einführung aus dem Jahr 2024 ergab, dass Produktivitätssteigerungen und die Reduzierung manueller Arbeitsstunden die dominierenden Treiber für KI-Investitionen in Unternehmen sind und durchweg als Motivation vor neuartigen Technologien genannt werden. Führungskräfte im Engineering suchen nicht nach beeindruckenden Fähigkeiten. Sie suchen nach Kapazitäten, die ihren Teams zurückgegeben werden.
4. Sie legen zunächst den Umfang der Arbeitsabläufe fest, nicht die Technologien. Erfolgreiche Unternehmen ermitteln zunächst, wo Zeit verloren geht (Übergänge zwischen Tools, Warten auf die Verfügbarkeit von Spezialisten, wiederholte Einrichtungsarbeiten), und wenden dann KI auf diese spezifischen Engpässe an. Die Technologieauswahl folgt der Problemdefinition. Nicht umgekehrt.‍
5. Sie investieren in die Orchestrierung und nicht in einzelne Funktionen. Unternehmen, die eine produktive Implementierung erreichen, erkennen, dass die technische Arbeit mehrere Tools und Datenquellen umfasst. Sie investieren in die Orchestrierungsebene, die Tools und KI-Funktionen zu kohärenten Arbeitsabläufen verbindet. So vermeiden sie isolierte Punktlösungen, die für ihre Funktion weiterhin manuelle Übergaben erfordern

‍

Wie können Unternehmen mit Anwendungsfällen für KI beginnen?

• Der praktische Ansatz: Identifizieren Sie einen vielversprechenden Anwendungsfall, der einen bekannten Schwachpunkt in Ihrem Unternehmen behebt, eng mit einem geschäftskritischen Prozess verbunden ist und bei dem der Integrationsweg klar ist.
• Streben Sie eine Inbetriebnahme innerhalb eines Quartals an.  
• Messen Sie die Ergebnisse anhand des aktuellen Zustands.  
• Nutzen Sie diese Grundlage, um die nächste Investition zu begründen. Beginnen Sie außerdem, darüber nachzudenken, wie sich die Anwendungsfälle zu koordinierten Arbeitsabläufen verknüpfen lassen, anstatt jeden einzelnen als eigenständige Implementierung zu betrachten.

‍

Vom Gartner-Framework zur technischen Umsetzung

Das Rahmenwerk von Gartner bietet einen strukturierten und unabhängigen Ansatz zur Bewertung von KI-Investitionen im Ingenieurwesen. Dies ist besonders nützlich, wenn sich die Optionen schneller vermehren als die Faktenlage. Die „Likely Wins“ bilden einen fundierten Ausgangspunkt. Die „Calculated Risks” zeigen auf, in welchen Bereichen sich Unternehmen, die bereit sind zu investieren, von der Konkurrenz abheben können.

Was das Rahmenwerk jedoch nicht abdeckt, ist die Frage, wie die verschiedenen Anwendungsfälle miteinander verknüpft sind. Genau dort findet die Transformation statt.

Bei Synera haben wir dies direkt miterlebt. Bei Knorr-Bremse hat die Automatisierung der Arbeitsabläufe zur Vorbereitung von FEM-Modellen (Defeaturing, Oberflächenerkennung und Vernetzung) menschliche Fehler in jeder Vorbereitungsphase beseitigt und die Zuverlässigkeit der Analysedaten verbessert. Gleichzeitig wurden die Simulationsingenieure vollständig von repetitiven Einrichtungsarbeiten befreit. Bei allen Implementierungen von Synera bei globalen OEMs und Tier-1-Zulieferern zeigt sich das gleiche Muster: Die Produktivitätsgewinne durch vernetzte, orchestrierte KI-Workflows sind wesentlich größer als die Summe der Gewinne, die sich aus der isolierten Nutzung derselben Funktionen ergeben.

Synera integriert mehr als 80 Engineering-Tools aus den Bereichen CAD, Simulation, Kalkulation und PLM-Systeme in einer einzigen Koordinierungsebene. Ingenieure von Unternehmen wie der BMW Group, Airbus, Hyundai, Volvo Trucks und Miele nutzen die Lösung, um mehrstufige KI-Workflows auszuführen, die den gesamten Entwicklungsprozess abdecken. Dabei müssen sie nicht zwischen den Tools wechseln oder Übergaben manuell verwalten. Die kürzlich erfolgte Serie-B-Finanzierung in Höhe von 40 Millionen US-Dollar spiegelt den Trend der Branche wider: weg von isolierten KI-Lösungen und hin zu einer KI, die über den gesamten Engineering-Lebenszyklus hinweg funktioniert.

Die eigentliche Frage ist nicht, ob man in KI für das Engineering investieren soll, sondern wie. Es geht um Anwendungsfälle, die sich in Workflows einbinden lassen, um Workflows, die Tools übergreifen, und um Tools, die den Kontext über eine speziell für das Engineering entwickelte Orchestrierungsebene austauschen.

Der vollständige Gartner-Bericht ist auf der Synera-Website verfügbar, zusammen mit einem praktischen Leitfaden zur Anwendung des Rahmenwerks auf Ihre eigenen Prioritäten. Laden Sie den Bericht herunter, um mehr zu erfahren.

‍

Über den Autor:

‍

Ram Seetharaman ist Head of AI bei Synera. Er leitet die Multi-Agenten- und agentenbasierten KI-Initiativen des Unternehmens. Diese 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 tiefgreifender technischer Forschung und Entwicklung sowie Produktstrategie. Bei Synera ist er für die KI-Strategie, die Roadmap und die Umsetzung verantwortlich. Er setzt sein Fachwissen in KI-gesteuerte Arbeitsabläufe um, die Simulation, Designraumerkundung und Automatisierung im großen 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.

‍

‍

‍