„Vom Instrumentalisten zum Dirigenten“

Ihre Studie zeigt, dass Elektrokonstrukteure rund 40 Prozent ihrer Arbeitszeit für Routineaufgaben aufwenden. Wie verändert künstliche Intelligenz den Alltag im Schaltschrank-Engineering konkret und wo liegen die größten kurzfristigen Produktivitätsgewinne?
A. Zein: Der größte kurzfristige Nutzen der KI liegt weniger in spektakulären neuen Mega-Features, sondern schlicht darin, dem Konstrukteur täglich wertvolle Zeit zurückzugeben. Tätigkeiten wie die Komponentensuche, das Pflegen von Artikeldaten oder das manuelle Aktualisieren von Dokumentationen erzeugen kaum zusätzliche Wertschöpfung und summieren sich im Monat schnell zu ganzen Tagen. Genau hier greift die KI sofort ein: Sie erzeugt automatisch Listen aus vorhandenen Projektdaten, schlägt kontextbezogen passende Makros vor und prüft Projekte in Sekunden auf Inkonsistenzen. Neben diesen klassischen Erleichterungen bietet die Technologie vor allem aber einen entscheidenden Vorteil: Es müssen nicht erst wochenlang komplexe Regeln oder Konfiguratoren aufgebaut werden. Erste Messungen zeigen bei Routineaufgaben wie der Materialgenerierung oder Fehlerprüfung Zeitersparnisse von über 90 Prozent. Unsere Kunden berichten, dass ihre gesamten Engineering-Projekte dadurch um satte 50 Prozent schneller werden.

Die Studie spricht vom Wandel ‚vom Zeichner zum Orchestrator‘. Welche Kompetenzen benötigen Konstrukteure, wenn KI die Routinen übernimmt und der Mensch stärker die Rolle des Systemarchitekten einnimmt? Technisches Fachwissen wird nicht weniger sondern eher wichtiger, verschiebt sich aber auf eine andere Ebene. Statt Symbole zu platzieren und Linien zu ziehen, definiert der Konstrukteur künftig die Systemarchitektur, die Randbedingungen und die Qualitätskriterien. Das ist der Wandel vom Instrumentalisten zum Dirigenten. Der Konstrukteur spielt nicht mehr jedes Instrument selbst, sondern orchestriert intelligente KI-Agenten. Neben dem tiefen Systemverständnis gewinnt eine neue Form der ‚Engineering-Kommunikation‘ an Bedeutung: Wer Anforderungen und funktionale Zusammenhänge präzise in natürlicher Sprache ausdrücken kann, wird mit modernen Systemen um ein Vielfaches produktiver arbeiten. Das ist die Zukunft – wir nennen das konsequent ‚Engineering Intelligence‘. Viele Unternehmen kämpfen mit dem drohenden Verlust von Erfahrungswissen. Kann KI dieses Wissen tatsächlich dauerhaft sichern und neuen Mitarbeitenden zugänglich machen?
A. Zein: Ja, sie kann einen wesentlichen Beitrag leisten, allerdings unter einer wichtigen Voraussetzung: Das Wissen muss im System leben. Klassische CAD-Systeme speichern traditionell nur das Endergebnis – also den Schaltplan. Die logische Begründung hinter einer Entscheidung – beispielsweise der Verwendung bestimmter Komponenten – geht meist verloren. Eine moderne Engineering-Intelligence-Plattform verknüpft dagegen historische Projektdaten, Standards und unternehmensspezifische Regeln im Hintergrund. Neue Mitarbeiter können das System dann im Dialog fragen, warum eine bestimmte Lösung vor drei Jahren gewählt wurde. Das Wissen wird so kontextbezogen nutzbar, statt in Archiven zu verstauben. Die Grenze liegt natürlich bei der Datenqualität: Veraltete oder widersprüchliche Infos werden durch KI nicht automatisch richtig. Die technische Verantwortung wie auch die finale Governance bleiben daher immer beim Menschen.

Ihre Studie unterscheidet zwischen klassischen KI-Assistenten und echten ‚AI-native‘-Plattformen. Woran erkennen Unternehmen, ob eine Lösung tatsächlich tiefgreifende ‚Engineering Intelligence‘ bietet oder lediglich ein bestehendes CAD-System mit einem Copiloten ergänzt wurde?
A. Zein: Ein klassischer KI-Assistent – oft als Copilot bezeichnet – wird lediglich an eine bestehende Anwendung angeflanscht. Er beschleunigt die Bedienung oder fasst Hilfetexte zusammen, verändert aber den Kernprozess nicht: Der Mensch konstruiert weiterhin manuell, die KI assistiert nur. Bei einer AI-native-Engineering-Plattform hingegen wird die KI zu einer mitdenkenden Instanz, die technische Zusammenhänge versteht und aktiv an der Lösung mitwirkt. Der Anwender beschreibt zunehmend die Aufgabe, und das System entwickelt Teile der Lösung mit. Unternehmen, die im Auswahlprozess stehen, sollten daher den Hype beiseite schieben und ganz konkrete Fragen stellen: Arbeitet die KI direkt mit dem aktiven Projektkontext oder greift sie nur auf statische Hilfetexte zu? Ist sie bereits voll in der Anwendung integriert und für den Anwender im Alltag nutzbar? Und vor allem: Versteht sie logische Funktionen und technische Beziehungen oder einfach nur Text? Nur wenn diese Kriterien erfüllt sind, spricht man von echter Engineering Intelligence, die einen zukunftsfähigen Entwicklungspfad aufzeigt.

Wenn solche Effizienzgewinne im Engineering erzielt werden – welche konkreten Auswirkungen hat das auf die Wettbewerbsfähigkeit von Maschinen- und Anlagenbauern?
A. Zein: Der strategische Nutzen liegt weniger darin, dass einzelne Mitarbeiter einfach noch mehr Aufgaben auf den Tisch bekommen, sondern in einem drastisch höheren Engineering-Durchsatz. Wenn ein Unternehmen mit derselben Mannschaft mehr Projekte bearbeiten, Angebote schneller abgeben und Änderungen kurzfristiger umsetzen kann, verbessert das unmittelbar seine Marktposition. Gerade im Schaltschrankbau entscheiden neben dem Preis und Qualität vor allem Lieferzeit und Flexibilität. Produktivitätsgewinne im Engineering wirken sich deshalb positiv auf die gesamte Wertschöpfungskette aus: von kürzeren Angebotslaufzeiten über weniger Fehler in der Fertigung bis hin zur schnelleren Inbetriebnahme beim Kunden. Unser wichtigster Wettbewerbsvorteil in Europa lautet künftig nicht mehr: „Wir zeichnen schneller“, sondern: „Wir können Engineering-Wissen skalieren und mit derselben Organisation mehr hochwertige Kundenlösungen liefern.“

Laut Ihrer Studie sagen viele Unternehmen, dass sie kaum noch Zeit für Neues haben – wie soll ihnen da der Einstieg in KI gelingen, woher nehmen sie die Zeit dafür?
A. Zein: Eine gute und entscheidende Frage und zugleich das klassische Dilemma: Über die Hälfte der Befragten gibt an, dass ihnen schlicht die Zeit für Innovationen und strukturelle Verbesserungen fehlt. Ausgerechnet diejenigen, die am dringendsten neue Produktivität benötigen, haben am wenigsten Kapazität, sie aufzubauen. Ein ‚Big Bang‘, also ein Einstieg über eine abstrakte Riesen-Strategie oder einen kompletten Prozessumbau ist hier weniger zielführend. Sinnvoller ist es, sich zunächst zwei oder drei konkrete Zeitfresser vorzunehmen – etwa die Materiallistenerstellung oder die Fehlerprüfung. Die dadurch gewonnene Zeit investiert man dann schrittweise in die nächsten Optimierungen. Ein pragmatischer Einstieg folgt vier klaren Prinzipien:

• Der Problemfokus: Immer mit einem realen operativen Problem beginnen, nicht mit der Technologie.
• Die Beherrschbarkeit: Einen Prozess wählen, bei dem Fehler handhabbar und Ergebnisse sofort überprüfbar sind.
• Die Praxisnähe: Erfahrene Konstrukteure früh einbeziehen, da sie Qualität und Praxistauglichkeit am besten beurteilen.
• Die Messbarkeit: Die erzielten Produktivitätsgewinne konkret messen und anschließend gezielt im Unternehmen skalieren.

Wichtig ist dabei auch die kulturelle Dimension: Die Belegschaft darf KI nicht als heimliches Rationalisierungsprojekt erleben, sondern als Entlastung von Routinearbeiten, für die sie eigentlich überqualifiziert ist. Das Ziel lautet: mehr echtes Engineering mit den vorhandenen Fachkräften.

Generative KI soll optimierte Schaltschranklayouts aus Schaltplänen ableiten können. Welche Entscheidungen übernimmt dann die KI und welche Verantwortung liegt weiterhin beim Ingenieur?
A. Zein: Die KI kann unzählige Entscheidungen vorbereiten und in definierten Grenzen auch selbstständig treffen. Bei einem Schaltschranklayout betrifft das vor allem technisch logische und geometrische Aufgaben wie

• • das automatische Ableiten von Komponenten aus dem Schaltplan und die Auswahl geeigneter Baugrößen,
• • die Berücksichtigung von Platzbedarf, thermischen Aspekten, Verlustleistungen und EMV-relevanten Abständen oder
• • die Dimensionierung von Kabelkanälen und Tragschienen sowie die Minimierung von Leitungslängen.

Das System untersucht in Sekunden Varianten, für die ein Mensch Tage bräuchte. Die Verantwortung für sicherheitsrelevante, normative und wirtschaftlich weitreichende Entscheidungen verbleibt jedoch zwingend beim Ingenieur. Denn ‚optimal‘ ist ohne Kontext nicht eindeutig. Muss der Schaltschrank maximal kompakt, extrem kostengünstig oder besonders wartungsfreundlich sein? Diese Ziele widersprechen sich oft. Die KI optimiert die Pfade, aber der Mensch setzt die Prioritäten. Deshalb benötigen wir im Engineering auch keine Blackbox aus der irgend etwas herauskommt, sondern nachvollziehbare, überprüfbare technische Entscheidungen.

Über künstliche Intelligenz wird seit Jahrzehnten gesprochen. Warum wird sie gerade jetzt für die Elektrokonstruktion praktisch relevant?
A. Zein: Weil erstmals mehrere technologische Meilensteine gleichzeitig zusammenkommen. Moderne Sprachmodelle (LLMs) und verbesserte Reasoning-Modelle verstehen komplexe, unstrukturierte Anforderungen und zerlegen Aufgaben systematisch in Lösungsschritte. Große Kontextfenster erlauben zudem die parallele Verarbeitung riesiger Projektmengen. In Kombination entsteht so ein System, das technische Absichten direkt mit Engineering-Wissen und der ausführenden CAD-Umgebung verknüpft. Neben diesen KI-Sprüngen ist die semantische Datenbasis moderner E-CAD-Systeme der entscheidende Katalysator: Komponenten verfügen heute neben der Grafik über Funktionen, Anschlüsse und logische Beziehungen. Das ist das Fundament, auf dem eine KI überhaupt erst belastbare technische Arbeit leisten kann. Wir erleben hier keinen gewöhnlichen Innovationszyklus, sondern den Beginn einer neuen Generation von Engineering-Systemen. Es ist gleichzeitig das Ende des klassischen CAD-Systems, wie wir es heute kennen.

Wenn wir fünf bis zehn Jahre in die Zukunft blicken: Arbeiten Ingenieure dann noch primär am Schaltplan – oder definieren sie eher Ziele, während die KI die Konstruktion übernimmt?
A. Zein: Der Schaltplan wird als Visualisierung und verbindlicher Nachweis bestehen bleiben, aber er ist nicht mehr der manuelle Ausgangspunkt. Ein Projekt beginnt künftig nicht mehr mit einer leeren Seite. Der Konstrukteur definiert die technische Absicht – also Funktionen, Sicherheits- und Herstellervorgaben und Kostenlimits. Auf dieser Basis generiert die KI autonom den Großteil der Lösung: von der Systemarchitektur und Komponentenauswahl über den Schaltschrankaufbau bis hin zu Stücklisten und Prüfdokumentationen. Der Mensch prüft Ergebnisse, vergleicht Varianten und entscheidet bei Zielkonflikten. Wir werden angesichts der steigenden Komplexität künftig sogar mehr Engineering-Leistung benötigen. Die zentrale Veränderung lautet: Engineering skaliert künftig nicht mehr über die reine Anzahl der Köpfe, sondern über die Fähigkeit, menschliches Wissen und Entscheidungskompetenz mit künstlicher Intelligenz zu vervielfachen.