Engineering AI Was fortschrittliche Ingenieursteams anders machen

Der Bericht „2025 State of Engineering AI“, veröffentlicht von SimScale in Zusammenarbeit mit Global Surveyz, zeigt, wie Datensilos, veraltete Tools und Führungslücken den Fortschritt bremsen – während jedoch manche Anwender einen klaren Weg nach vorne aufzeigen

Eine neue globale Umfrage unter leitenden Ingenieuren zeigt, dass zwar fast alle von KI Produktivitätssteigerungen in ihren Konstruktions- und Simulationsworkflows erwarten, aber nur 3 % heute hohe Produktivitätssteigerungen verzeichnen – ein Zeichen für eine Umsetzungslücke, die das Risiko birgt, Innovationen in kritischen Branchen einzubremsen. Der Bericht „State of Engineering AI 2025“, der von SimScale in Zusammenarbeit mit Global Surveyz veröffentlicht wurde, befragte 300 leitende Ingenieure aus großen Unternehmen (über 1‘000 Mitarbeiter) in den USA und Europa. Die Studie liefert einen der ersten klaren Maßstäbe für die KI-Bereitschaft im Engineering-Sektor und zeigt die kulturellen, prozessualen und technologischen Barrieren auf, die trotz steigender Erwartungen noch bestehen.

„Führungskräfte aus dem Ingenieurwesen sehen das Potenzial von KI, aber Wissen ist nicht gleich Tun“, sagt David Heiny, CEO von SimScale. „Die Herausforderung besteht nicht mehr darin, an das Versprechen von KI zu glauben, sondern darin, die sehr realen systemischen Blockaden zu überwinden, die Teams daran hindern, sie erfolgreich zu skalieren.“

State of Engineering AI: Die wichtigsten Ergebnisse

• KI-Ambitionen übertreffen bei weitem die Umsetzung: 93 % der Führungskräfte im Ingenieurwesen erwarten von KI Produktivitätssteigerungen, wobei 30 % sehr hohe Steigerungen erwarten. Aber nur 3 % geben an, dass sie dieses Maß an Auswirkungen heute erreichen. (siehe Bild 1)
• cloud-native Anwender haben die Nase vorn: Unternehmen, die cloud-native Simulationstools einsetzen, haben mit dreifacher Wahrscheinlichkeit ausgereifte KI-Programme und mit sechsfacher Wahrscheinlichkeit saubere, zentralisierte Daten - entscheidend für die Skalierung von KI. Sie sind auch doppelt so zuversichtlich, ihre KI-Ziele innerhalb der nächsten 12 Monate zu erreichen.
• ·         Silo-Daten und veraltete Tools sind nach wie vor die größten Hindernisse: 55 % nennen siloartige Daten und 42 % veraltete CAE-Desktop-Tools als Haupthemmnisse, was auf eine grundlegende Infrastrukturlücke in vielen Unternehmen hinweist.
• Unausgewogenheit in der Führung verlangsamt den Fortschritt: 42 % der CTOs gaben an, dass es in den technischen Teams Widerstand gegen die Einführung von KI gibt - die Leiter der Ingenieurteams selbst berichten jedoch nur in 29 % der Fälle von Widerstand, was darauf hindeutet, dass die technischen Teams offener, bereit und motivierter sind, KI einzuführen, als die Führungsebene annimmt.
• KI wird als Wachstumstreiber gesehen, nicht nur als Mittel zur Effizienzsteigerung: Führungskräfte aus dem technischen Bereich erwarten, dass KI zu mehr Designinnovation (54 %), höherer Produktivität (51 %) und einer schnelleren Markteinführung (47 %) führt - wobei Kosteneinsparungen auf der Liste der erwarteten Vorteile an letzter Stelle stehen.

Der „3%-Club“: Was die fortschrittlichsten Teams anders machen

Trotz der weit verbreiteten Diskrepanz zwischen Erwartung und Umsetzung gibt es eine kleine, aber wachsende Gruppe von Führungskräften aus dem Bereich der Technik - der „3 %-Club“ -, die mit technischer KI bereits transformative Ergebnisse erzielen. Ihr Erfolg ist nicht auf mehr KI-Ideen zurückzuführen, sondern auf eine stärkere Umsetzungsstärke. Sie zeichnen sich durch vier wesentliche Merkmale aus:

• modernisierte technische Architektur: Sie haben siloartige, aus der Desktop-Ära stammende Toolchains zugunsten von Cloud-nativen Plattformen abgeschafft. Ihre technischen Daten sind zentralisiert, zugänglich und strukturiert - unter Verwendung offener Formate und APIs.

• integrierte agentenbasierte Arbeitsabläufe: Diese Teams entwickeln und integrieren KI-Agenten direkt in Live-Workflows - nicht als Zusatztools, sondern als eingebettete Entscheidungsträger in den Phasen der Einrichtung, Bewertung und Optimierung.

• schneller Weg vom Prototyp zur Schleife: Sie testen in risikoarmen Umgebungen, gehen aber schnell zum realen Einsatz im Kreislauf über - und beweisen so ihren Wert in Wochen, nicht in Jahren.

• Daten und Modelle als Infrastruktur behandeln: Sie protokollieren und versionieren alles - von Simulationen bis hin zu Modellen - und ermöglichen so, dass KI skalierbar, vertrauenswürdig und über ihre Tools und Prozesse hinweg übertragbar ist.

„Dieser Bericht ist nicht nur eine Warnung, sondern auch ein Weg zur Erfolgsformel“, sagt Jon Wilde, VP of Product bei SimScale. "Vorwärts denkende Teams beweisen, dass Engineering AI signifikante Veränderungen bei Innovation und Leistung bewirken kann. Die Umsetzungslücke für andere ist nicht die technische Machbarkeit - es ist die architektonische und organisatorische Bereitschaft. Jetzt geht es darum, diese Unternehmen dabei zu unterstützen, diesen Sprung mit Zuversicht zu machen -- bevor die Lücke zu groß wird, um sie zu schließen."

Weitere Informationen: https://www.simscale.com/

Automobilentwicklung

Qualitätsmängel identifizieren und beseitigen