Matthias, wo findet KI bereits Anwendung bei unseren Kunden und in der Industrie?

Matthias Alberts: Alles, was datenbasiert ist und für das es ausreichend Daten gibt, kann mittels einer KI nutzbar gemacht werden. ChatGPT ist sicher das bekannteste Beispiel. CoPilot von Microsoft hilft bei den täglichen Officeanwendungen, Grafiken werden mit generativen KIs erzeugt und unterstützen damit das Marketing enorm. Und selbst in den Schulen revolutioniert die KI bereits das Bildungswesen. 
Vor einigen Jahren war das Thema BigData in aller Munde und jeder wollte möglichst viel Wissen aus den vorhandenen Daten ziehen. Genau das passiert jetzt mit dem Einsatz von KI. Für Unternehmen sind diese Möglichkeiten selbstverständlich auch in den rein internen Verwaltungsprozessen nutzbar und bringen schon jetzt einen enormen Mehrwert. Die meisten KIs werden Unternehmenswissen in sich vereinen und sind somit ein hohes schützenswertes Gut für ein Unternehmen – das kann ein entscheidender Wettbewerbsvorteil sein.
Im Bereich des Engineerings ist der Vormarsch nicht so schnell wie bei einem ChatGPT, was diverse Gründe hat. Aber auch hier sehen wir, dass wie bei Microsofts CoPilot die Softwareanbieter durch integrierte KIs Anwender bei ihren Standardarbeiten unterstützen. Zudem stellt die KI eine gewinnbringende Ergänzung zu den klassischen Simulationsmethoden dar.
Im Bereich des Digital Engineerings wird die KI schon heute erfolgreich in Unternehmen genutzt, um auf Basis von Simulations- und Versuchsdaten innovative Ideen vorherzusagen und Entscheidungen zu treffen.
Auch sehen wir bei unseren Kunden, wie mit KI, der Erhebung von Anwendungsdaten, sowie den zugrundeliegenden Daten aus der Historie, neue Geschäftsmodelle entstehen – die einen großen Mehrwert für deren Kunden darstellen. 
Letztlich ist die Frage also weniger, wo eine KI bereits ihre Anwendung findet, sondern wie eine KI den größten Vorteil für das jeweilige Unternehmen bringen kann.

Wie wichtig wird KI also für die Zukunfts- und Wettbewerbsfähigkeit eines herstellenden Unternehmens werden?

Matthias Alberts: Zum einen wird die Effizienz durch KI erhöht, Wissen demokratisiert, und so die Innovationskraft der Ingenieure gesteigert.
Unternehmen mit KI-basierten Workflows werden schneller und effizienter entwickeln können, ihr Wissen speichern und aus allen Simulationen, Versuchen und Daten im Unternehmen smartere Entscheidungen treffen können. Der so entstehende Vorsprung wird immens sein und konkurrierende Unternehmen ohne diesen Vorteil stark unter Druck setzen.
Neben dem Einsatz von KI in der Produktentwicklung werden zukünftige Kaufentscheidungen der Kunden auch stark davon abhängen, wie smart die Produkte sind. Im Automobilbereich wird schon heute davon gesprochen, dass die Fahrzeugsoftware mehr und mehr Teil der Kaufentscheidung ist. Die gleichen Effekte werden wir bei anderen Produktgruppen sehen, bei denen KI dann einen wesentlichen Beitrag leisten wird.
KI-basierte Entwicklung, smarte Produkte – da fehlen nur noch die smarten Services, aus denen neue Geschäftsmodelle für Hersteller entstehen. Zu diesem gehört beispielsweise auch das Predictive Maintenance.

Auch Ansys setzt mit seinen Lösungen gezielt auf die Integration von KI in etablierte Engineering-Workflows. Welche spezifischen Lösungen kommen dabei zum Einsatz?

Josef Overberg: Ansys greift mit der KI an vielen Stellen an:

Neue Lösungen wie SimAI dienen den Anwendern dazu, Daten aus Simulation und Versuch zu nutzen, daraus zu lernen und schnelle Vorhersagen für Varianten zu machen.
Mit AnsysGPT bietet Ansys eine ganze neue Möglichkeit, Wissen rund um die Simulation schnell auf den Punkt verfügbar zu machen und so auch hier die Effizienz zu erhöhen.
Zudem intergiert Ansys in den bekannten Flagschiffprodukten immer weiter KI-Funktionen, damit die Anwender im Simulationsalltag direkt von den KI-Möglichkeiten profitieren können und zum Beispiel wiederkehrende Aufgaben beschleunigt werden.
Das ist aber erst der Anfang, denn KI kann noch an sehr viel mehr Stellen des Entwicklungsprozesses und in den Simulationslösungen unterstützen. Wir stehen bzgl. der KI-Technologie gerade erst am Anfang. Generative KI-Technologien, die Geometriemodelle anpassen bzw. erzeugen können und mit der Simulation gekoppelt sind, werden dabei einer der nächsten Schritte sein.

Werden diese Lösungen den Menschen, der vor der Simulation sitzt, ersetzen?

Josef Overberg: Nein. Natürlich stellt sich die Frage „Was macht die KI und was macht der Mensch?“. Aber klar ist: Die KI wird die menschlichen Ingenieure nicht ersetzen, sondern sie bei der Lösung hochdimensionaler, komplexer Aufgabenstellungen unterstützen, die mit traditionellen Methoden schwierig zu erzielen wären.
KI-Lösungen bringen uns Wissen, Verständnis und Effizienz. KI ersetzt also nicht den Menschen, sondern wird ihn innovativer machen.
Ingenieure müssen also ein Verständnis für die KI entwickeln und lernen, welche neuen Möglichkeiten sie mit sich bringt. Sie sollten auch die Grenzen der KI verstehen und wissen, wie man KI-Modelle validiert und optimiert, um genaue und verlässliche Ergebnisse zu erzielen.

Wie gestaltet CADFEM den KI-Markt im Digital Engineering mit seinem Angebot mit?

Josef Overberg: Unser Ziel ist es, Kunden bei der Implementierung von KI in ihre digitalen Entwicklungsprozesse und in deren Prozessinfrastruktur zu unterstützen, sodass das Potenzial umfassend und nachhaltig genutzt wird.
Beispielsweise in Echtzeitanwendungen für Digitale Zwillinge, für autonome Entscheidungsprozesse oder durch intuitive Workflows, um KI sehr einfach bei individuellen Fragestellungen einzusetzen. Dabei darf auch das Wissensmanagement rum um die Ingenieursprozesse natürlich nicht fehlen, weshalb wir auch hier Lösungen anbieten werden, um Wissen zu demokratisieren und dauerhaft für die Unternehmen verfügbar zu machen.
Im letzten Jahr haben wir das Unternehmen PI Probaligence ins Boot geholt, um für unsere Kunden KI-Lösungen für extrem schnelle und genaue datenbasierte Vorhersagen anbieten zu können. Der PI-Algorithmus STOCHOS bietet durch den kombinierten Ansatz von neuronalen Netzen und Gaußprozessen eine herausragende Vorhersagegenauigkeit – auch bei geringer Datenbasis.
Zudem zeichnet sich STOCHOS dadurch aus, echte und verrauschte Daten verschiedenster Quellen, u.a. Messwerte, Simulationsergebnisse und relevante Kennzahlen zuverlässig zu bewerten und sogar sinnvoll und ressourceneffizient zu kombinieren. Neben den eigentlichen KI-Fähigkeiten dieser Lösung bringt Stochos dabei einen ganz entscheidenden Vorteil mit sich: Die Möglichkeit, Stochos Python-basiert einfach in Workflows integrieren zu können – on-premise, also lokal.
Gemeinsam mit PI fördern wir in 2025 so den Einsatz von KI im Digital Engineering und erweitern die Expertise in zukunftsweisenden Technologien, insbesondere für effiziente Entwicklungsprozesse und Designoptimierung.

Wie genau ist die Antwort der KI damit und wovon hängt die Ergebnissicherheit ab?

Erke Wang: Die Genauigkeit einer KI hängt grundsätzlich immer sowohl von der Qualität und Menge der verfügbaren Daten als auch vom eingesetzten Algorithmus ab.
Präzise Vorhersagen sind möglich, wenn ausreichend Daten in guter Qualität vorliegen und alle relevanten Einflussfaktoren berücksichtigt werden – insbesondere physikalische Zusammenhänge: Je komplexer und nicht-linearer die Zusammenhänge oder je verrauschter die Daten, desto größer ist der Datenbedarf.
Der Algorithmus muss zudem geeignet sein, die Zusammenhänge abzubilden, da einfache Methoden wie lineare Regression keine nicht-linearen Beziehungen darstellen können.

Wie schnell lässt sich eine KI dahin trainieren, wenn ich morgen damit beginne?

Erke Wang: Die benötigte Trainingszeit für KI-Modelle hängt von der Verfügbarkeit und Qualität der Daten sowie von der Fragestellung ab. Liegen bereits gute Daten vor, können Modelle sofort trainiert werden, wobei einfache Aufgaben wenige Sekunden, komplexere Aufgaben wie 3D-FEM/CFD mit variablen Geometrien einige Stunden in Anspruch nehmen.
Fehlen Daten, müssen zunächst Simulationen oder Versuche – mindestens 20-30 – durchgeführt werden.

Kann KI denn auch selbst Daten generieren?

Erke Wang: Es gibt verschiedene Möglichkeiten Daten auch selbst zu generieren, ja.
Eine Möglichkeit ist die Datenaugmentation, bei der bestehende Daten durch Transformationen wie Rotation, Spiegelung oder Skalierung erweitert werden, um die Robustheit des Modells zu erhöhen. Für spezifische Anwendungen kann dies jedoch herausfordernd sein.
Generative KI-Methoden ermöglichen ebenfalls die Erzeugung neuer Daten, wobei diese oft nur Variationen der bestehenden Daten darstellen.
Ein weiterer Ansatz ist die KI-gestützte Generierung neuer Geometrien, ähnlich der Topologie-Optimierung, wobei weiterhin Simulationen für die Validierung notwendig bleiben.

Wovon profitieren Unternehmen in 2025 also, wenn sie KI in ihren Produktentwicklungsprozessen einsetzen?

Erke Wang: Unternehmen, die KI-Technologien nutzen, um aus bestehenden Daten zu lernen, schaffen eine wertvolle Wissensbasis, die über einmalige Analysen hinausgeht. 
Die Wiederverwendung von Simulations- und Versuchsdaten ermöglicht eine schnellere Reaktion auf neue Herausforderungen und eine Optimierung der Produktentwicklung. 
Die Demokratisierung von Wissen fördert zudem den Zugang zu wertvollen Erkenntnissen für mehr Mitarbeitende und steigert die Effizienz sowie Innovation des Unternehmens. 
KI hilft dabei, komplexe Muster und Zusammenhänge zu identifizieren, was zu einer präziseren und intelligenteren Entwicklung führt, gleichzeitig Kosten reduziert und Nachhaltigkeit fördert.

Die großen Datenmengen, die KI für optimale Ergebnisse verarbeiten muss, bereiten vielen Unternehmen Kopfzerbrechen. Gibt es hierfür in 2025 eine Lösung?

Jürgen Vogt: Damit Unternehmen von der vollen Effizienzsteigerung durch KI im Simulationsbereich profitieren können, braucht es auch das nötige Setup.
Die Erzeugung von simulationsgestützten Daten im Bereich der Partikel- oder Strömungssimulation war bislang extrem aufwendig. Das hat sich nun aber geändert und wird großen Einfluss auf die Entwicklungen in diesem Bereich haben:
Die neuen Ansys-Solver verkürzen in Verbindung mit aktueller GPU-Technologie die Rechenzeiten nämlich dramatisch. Diese Kombination ermöglicht es, auch die größten Datenmengen effizient zu verarbeiten und komplexe Simulationen erheblich zu beschleunigen.
Statt einzelner Betriebspunkte lassen sich nun Kennlinien oder sogar Scharen von Kennlinien in kürzester Zeit berechnen. KI und GPU erlauben es so, aufwendige Simulationen noch konsequenter in den Entwicklungsprozess zu integrieren und ganz neues Potential auszuschöpfen. Zum Beispiel, um präzise Modelle zu erstellen oder große Datensätze in Echtzeit zu analysieren, damit Innovation in kürzester Zeit greifbar gemacht werden kann.

Die Integration von KI in bestehende Prozesse ist komplex. Welche Herausforderungen lauern hier?

Matthias Hörmann: Zunächst fehlt betroffenen Unternehmen häufig eine ganzheitliche Sicht auf Daten und Prozesse, da isolierte Systeme Informationen fragmentieren. Dies erschwert die Konsolidierung der Datenströme, die jedoch essenziell sind, um eine Single Source of Truth zu schaffen – eine zentrale, verlässliche Datenbasis für die KI.
Die Verlässlichkeit der Daten ist ein weiterer kritischer Punkt. In konsistenten und hochwertigen Daten liegt der Schlüssel zur Leistungsfähigkeit von KI-Modellen. Ohne die Optimierung der Datenflüsse und Standardisierung bleibt das Potenzial der KI begrenzt.
Darüber hinaus erfordert die erfolgreiche Integration, dass die KI Bestandteil der digitalen Infrastruktur eines Unternehmens wird. Dies bedeutet, nicht nur die Daten sauber zu strukturieren, sondern auch regelmäßige Wartung und Pflege der KI-Modelle sicherzustellen. Sie müssen in die kontinuierlichen Datenströme eingebunden und regelmäßig mit neuen, validierten Informationen versorgt werden, um Relevanz und Genauigkeit zu gewährleisten.
Letztendlich ist die Integration von KI eine Chance, die Digitalisierung voranzutreiben, indem sie Unternehmen dazu zwingt, bestehende Systeme zu modernisieren, Prozesse zu vereinheitlichen und Datenmanagement strategisch auszurichten. Nur auf dieser Grundlage kann die KI ihr volles Potenzial entfalten und langfristig Mehrwert schaffen.

Wie schätzt du die Demokratisierung von KI im Engineering ein?

Matthias Hörmann: Im Jahr 2025 wird sie auf jeden Fall weiter voranschreiten – getrieben von zugänglicheren Tools und niedrigeren technischen Einstiegshürden.
Low-Code- und No-Code-Plattformen ermöglichen es Ingenieuren ohne tiefgehende Programmierkenntnisse, KI-Modelle in ihre Workflows zu integrieren. Diese Entwicklung fördert eine breitere Nutzung, da spezialisierte Teams ihre Domänenexpertise mit KI-Technologie kombinieren können.
Ein zentraler Trend ist die KI-gestützte Automatisierung komplexer Entwicklungsprozesse, etwa in der Simulation, Prototypenerstellung oder Qualitätssicherung. Dabei gewinnen skalierbare, cloudbasierte Lösungen und modulare Ansätze an Bedeutung, die es Unternehmen erleichtern, KI flexibel an individuelle Bedürfnisse anzupassen.
Die Demokratisierung geht jedoch mit Herausforderungen einher: Unternehmen müssen nicht nur technische Grundlagen wie Datenmanagement beherrschen, sondern auch ethische und regulatorische Fragen adressieren. Gleichzeitig wird ein stärkerer Fokus auf Erklärbarkeit und Transparenz von KI-Entscheidungen gelegt, um Vertrauen in die Technologie zu fördern.

Gravierende Änderungen bringen auch immer Ängste und Sorgen bei Mitarbeitenden mit sich. Wie kann man dem entgegensteuern?

Matthias Hörmann: Die erfolgreiche Implementierung von KI erfordert Change Management, um Akzeptanz und Vertrauen bei den Mitarbeitern zu schaffen. Es fördert eine offene Kommunikation, um Ängste und Missverständnisse abzubauen, und unterstützt durch Schulungen den Aufbau neuer Kompetenzen.

Gleichzeitig begleitet es die kulturelle Transformation hin zu einer datengetriebenen Arbeitsweise. Change Management sorgt für die Anpassung von Prozessen, damit KI-Lösungen effizient integriert werden, und vermittelt, dass KI eine Unterstützung und keine Bedrohung darstellt.

Indem es technologische, organisatorische und menschliche Aspekte miteinander verknüpft, wird der Übergang erleichtert und die Grundlage für eine nachhaltige und erfolgreiche Nutzung der Technologie geschaffen.

Fazit

KI wird weiter zu einer Schlüsseltechnologie heranwachsen, die Effizienz und Innovationskraft steigert.
Besonders im Bereich Digital Engineering zeigt sich, dass unterschiedliche Ansätze wie Large Language Models (LLMs), maschinelles Lernen (ML) oder spezialisierte Algorithmen wie STOCHOS ihre jeweiligen Stärken in spezifischen Anwendungsfeldern ausspielen können. Dabei bleiben Menschen unverzichtbar, da sie KI-Modelle validieren und deren Grenzen verstehen müssen.
Um sicherzustellen, dass Sie den richtigen Umgang mit KI und Simulation in Ihrem Unternehmen entwickeln, ist es entscheidend, sich frühzeitig mit allen Aspekten auseinanderzusetzen. Denn dafür muss im Unternehmen und vor allem in der Produktentwicklung erstmal die Basis geschaffen werden: Digitalisierung.
Gerne unterstützen wir Sie bei der Implementierung KI-gestützter Lösungen, um das volle Potenzial nachhaltig auszuschöpfen – ein entscheidender Schritt in Richtung smarter Produkte und digitaler