Keine Zeit für Innovation

Digitalisiert, aber nicht entlastet

Die Ursache liegt für Zein nicht allein in der Projektlast, sondern in struktureller Ineffizienz. Viele Unternehmen haben zwar digitalisiert, ihre Arbeitsweisen im Kern aber beibehalten. „Es wird schneller gezeichnet, schneller dokumentiert und schneller gesucht, aber immer noch sehr viel manuell gearbeitet“, sagt er. Dazu kommen steigende Komplexität, wachsende Dokumentations- und Normanforderungen sowie der Fachkräftemangel. Besonders kritisch sind jene Tätigkeiten, die wenig Wertschöpfung bringen, aber täglich Zeit binden: Artikelsuche, Dokumentationspflege, Fehlerkorrekturen, Abstimmungen, Wiederholarbeiten. Die Digitalisierung habe vieles verbessert, diese Routinearbeit aber nicht grundsätzlich eliminiert. Genau deshalb reiche klassische Automatisierung nicht mehr aus.

Wie die Zeitgewinne gemessen wurden

Gemessen wurde der Zeitbedarf klassischer manueller Arbeit im Vergleich zur Ausführung mit KI-Unterstützung. Grundlage waren klar abgrenzbare Anwendungsfälle:

• Materiallisten und Klemmenpläne erzeugen
• Makros platzieren
• Projekte auf Fehler prüfen
• technische Fragen beantworten
• Funktionen der Anwendung finden
• bereits verwendete Komponenten suchen

Bei diesen wiederkehrenden Aufgaben lagen die Zeitersparnisse teilweise deutlich über 90 Prozent. Zein ordnet die Zahl aber ausdrücklich ein: Ein ganzes Engineering-Projekt sei damit nicht um 90 Prozent schneller fertig, vielmehr würden einzelne, häufig wiederkehrende Arbeitsschritte massiv beschleunigt. „Genau diese vielen kleinen Zeitfresser summieren sich im Alltag zu einem großen Produktivitätshebel“, sagt er. Beim WSCAD-Kunden Dexcon führte das zu einem um bis zu 50 Prozent beschleunigten Engineeringprozess. Übertragbar sind die Ergebnisse überall dort, wo mit standardisierten Komponenten, wiederkehrenden Projekttypen, ähnlichen Schaltungen oder hohen Dokumentationsanforderungen gearbeitet wird.

Normenkonformität in regulierten Umgebungen

In hochregulierten Umgebungen entscheidet nicht die KI-Antwort, sondern die Umgebung, in der sie entsteht. Normenkonformität, so Zein, ergebe sich aus der Verbindung von semantischem Datenmodell, geprüften Artikeldaten, hinterlegten Regeln, Unternehmensstandards, Normenwissen und nachvollziehbaren Prüfmechanismen. Ein Chatbot, der isoliert neben dem Engineering-System steht, leistet das nicht. Eine AI-Native Plattform muss dafür dreierlei können:

• technische Zusammenhänge verstehen, also nicht nur Linien und Symbole erkennen, sondern Funktionen, Abhängigkeiten, Anschlüsse, Querschnitte, Betriebsmittel und Varianten
• Ergebnisse gegen Regeln, Normen und Unternehmensvorgaben prüfen
• jeden relevanten Schritt nachvollziehbar dokumentieren

„Gerade in regulierten Umgebungen bleibt der Mensch verantwortlich“, betont Zein. Die KI erzeugt Vorschläge, erkennt Inkonsistenzen und beschleunigt Prüfungen. Die Freigabe liegt weiterhin beim qualifizierten Ingenieur.

Assistenzfunktion oder AI-Native Engineering

Zwischen „non-disruptiver“ und „disruptiver“ KI verläuft für Zein eine klare Linie. Eine Assistenzfunktion verbessert bestehende Abläufe. Sie hilft beim Suchen, beim Platzieren, beim Erstellen von Listen oder beim Finden von Fehlern. „Die Grundlogik bleibt aber gleich: Der Mensch konstruiert, das CAD-System dokumentiert, die KI unterstützt punktuell. Damit kamen wir 2024 auf den Markt.“ AI-Native Engineering beginne dort, wo die KI den Prozess strukturell verändert. Der Ingenieur definiert Ziele, Funktionen und Randbedingungen, das System generiert daraus Lösungsvorschläge, prüft Varianten, bewertet Abhängigkeiten und erzeugt konsistente Engineering-Daten. CAD wird damit stärker zur Ausführungs- und Visualisierungsschicht. „Das ist der eigentliche Paradigmenwechsel: von CAD plus KI zu einem Engineering-System, in dem KI die intelligente Steuerungsebene bildet.“

Vom Konstrukteur zum Orchestrator

Wenn Ingenieure künftig stärker Zielzustände definieren, verschiebt sich auch das Kompetenzprofil. Die operative Zeichenarbeit verliert an Gewicht, Systemverständnis, technische Bewertung, Variantenentscheidung, Datenqualität und Prozessarchitektur gewinnen. „Der Konstrukteur wird nicht überflüssig, aber seine Rolle verändert sich“, sagt Zein. Er definiert Anforderungen, bewertet Ergebnisse, priorisiert Zielkonflikte und verantwortet Qualität. Besonders gefragt seien künftig Menschen, die Elektrotechnik, Software, Datenmodelle, Normen und Fertigung zusammen denken können. An Bedeutung verliert dagegen die reine Bedienroutine, also das Wissen, in welchem CAD-Menüpunkt welche Funktion versteckt ist.

Erfahrungswissen strukturieren

Der demografische Wandel macht ein zweites Thema dringlich: den drohenden Wissensverlust. In vielen Unternehmen steckt Know-how in Köpfen, alten Projekten, Makros, Excel-Listen, PDF-Richtlinien oder individuellen Arbeitsweisen. KI kann helfen, dieses implizite Wissen zu strukturieren, wiederauffindbar zu machen und in neue Projekte zu übertragen: Muster aus erfolgreichen Projekten erkennen, frühere Entscheidungen zugänglich machen, unternehmensspezifische Standards berücksichtigen. Erfahrung ersetzt sie damit nicht. Kritisches Erfahrungswissen bleibt etwas, das validiert werden muss, weshalb Zein einen kontrollierten Prozess fordert: erfassen, strukturieren, prüfen, freigeben und kontinuierlich verbessern.

Migration in Schritten statt Big Bang

Die größte Hürde auf dem Weg in eine KI-native Umgebung ist nach Zeins Erfahrung nicht die KI selbst, sondern die Qualität und Struktur der vorhandenen Daten: gewachsene Bibliotheken, individuelle Makros, uneinheitliche Artikeldaten, unterschiedliche Projektstandards. Wert entsteht daraus nur, wenn diese Daten ausreichend strukturiert, konsistent und zugänglich sind. Der bessere Weg ist deshalb ein schrittweiser: zuerst typische Zeitfresser identifizieren, dann einzelne Use Cases pilotieren, Datenqualität verbessern und Standards definieren. Anfangen sollten Unternehmen dort, wo KI schnell messbare Entlastung bringt: bei Suche, Dokumentation, Fehlerprüfung, Komponentenwissen, Makros, Varianten und wiederkehrenden Engineering-Aufgaben. „Die Technologie ist da und man sollte früh damit beginnen KI-Erfahrung aufzubauen“, so Zein.

Verantwortung bleibt beim Ingenieur

Automatisch erzeugte Konstruktionsvorschläge bergen Risiken, besonders in sicherheitskritischen Anwendungen im Maschinen- und Anlagenbau. Zeins Modell dafür heißt „AI-assisted, engineer-approved“: Die KI übernimmt Routine, Vorprüfung und Variantenbildung, der Ingenieur prüft, bewertet und gibt frei. Je sicherheitskritischer die Anwendung, desto höher müssen Transparenz, Nachvollziehbarkeit und Prüfpflicht sein. Weniger Verantwortung bedeutet das für Ingenieure ausdrücklich nicht, sondern eine andere: „weniger manuelle Ausführung, mehr Ergebnisverantwortung“.

Wettbewerbsfähigkeit im europäischen Maschinenbau

Wird KI-gestützte Elektrokonstruktion zum Branchenstandard, kann der Effekt für europäische Maschinen- und Anlagenbauer erheblich sein. Sie stehen unter hohem Kosten-, Zeit- und Innovationsdruck, gleichzeitig ist Engineering-Know-how einer ihrer wichtigsten Wettbewerbsvorteile. Wer dieses Wissen mithilfe von KI schneller, konsistenter und skalierbarer einsetzt, gewinnt laut Zein einen echten strategischen Hebel: schnellere Varianten, beschleunigte Dokumentation, früher erkannte Fehler, ein abgefederter Fachkräftemangel. Wer zu lange wartet, riskiert dagegen, dass Engineering zum Engpass wird. „Wettbewerbsfähigkeit entscheidet sich künftig nicht nur über bessere Produkte, sondern auch über die Geschwindigkeit und Skalierbarkeit des Engineerings.“

Woran der Wandel erkennbar wird

Den Übergang zum AI-Native Engineering erwartet Zein innerhalb von fünf bis zehn Jahren. Das klarste Anzeichen ist erreicht, wenn der Ingenieur nicht mehr primär fragt „Wie zeichne ich das?“, sondern „Welches Ziel soll das System erreichen?“. Dazu kommen weitere Signale: Projekte werden stärker aus Datenmodellen statt aus Dokumenten gedacht, wiederkehrende Aufgaben laufen automatisch, Wissen aus früheren Projekten wird systematisch genutzt, Qualitätssicherung erfolgt früher und kontinuierlicher. Für den Einstieg nennt Zein drei Schritte:

• Zeitfresser im Engineering identifizieren
• Daten und Standards bereinigen
• konkrete KI-Use-Cases pilotieren

„Nicht warten, bis alles perfekt ist. Die Technologie ist da, der Einstieg muss pragmatisch sein.“