Scheitert Systems Engineering an seiner eigenen Komplexität?

Systems Engineering steht am Scheideweg

Systems Engineering ist die Methodik, um Komplexität in der Produktentwicklung cyber-physischer Produkte zu beherrschen. Nachdem wir viele Jahre Erfahrung mit dieser Methodik sammeln konnten, stellen wir fest, dass gerade der aufwändige Prozess der Modellierung des impliziten Wissens ein Show-Stopper sein kann. Wie oft bei frontloading-basierten Ansätzen sind hier massive kostenintensive Vorarbeiten notwendig. Mit auf generativer künstlicher Intelligenz (KI) basiertem Systems Engineering können Entwicklungsorganisationen bei der Funktions- und Systemmodellierung so unterstützt werden, dass auch konservativ gerechnet mehr als 50 Prozent der Aufwände eingespart werden können, bei gleichzeitig deutlicher Qualitätssteigerung der Modellierung.

Die Methoden und Prozesse, die einst die Entwicklung moderner Produkte revolutionierten sollten, stoßen heute an ihre Grenzen. In einer Welt, die von immer komplexeren cyber-physischen Systemen geprägt ist – von softwaredefinierten Fahrzeugen über hochsichere Flugzeuge bis hin zu vernetzten IoT-Komponenten – droht das klassische Systems Engineering unter der Last seiner eigenen Anforderungen zu zerbrechen.

Fehlende Datenkontinuität, unübersichtliche Rückverfolgbarkeit, aufwendige Versionskontrollen und die Nichteinhaltung regulatorischer Standards sind nicht mehr nur Nebenwirkungen, sondern systemische Schwächen. Diese Probleme führen zu exorbitanten Kosten in der Integration, endlosen Verzögerungen und fatalen Fehlerraten. Die Konsequenz: Unternehmen verlieren an Innovationskraft und Wettbewerbsfähigkeit.

Doch genau hier setzt die Lösung an. KI, insbesondere generative und erklärbare KI (vgl. explainable AI, xAI, KI-Erklärbarkeit und Transparenz), bietet die Chance, das klassische Systems Engineering neu zu erfinden. Durch den Einsatz intelligenter Technologien wird die längst überfällige Transformation Realität: KI analysiert unstrukturierte Daten, integriert Domänenwissen, erzeugt präzise Vorhersagen und schafft so die Grundlage, die Komplexität moderner Produkte zu beherrschen – noch bevor sie entsteht.

Das klassische Frontloading, also die frühzeitige Einbeziehung entscheidender Systems-Engineering-Praktiken, kann durch KI revolutioniert werden. Was bislang als mühsam und ressourcenintensiv galt, wird nun assistiert, transparent und skalierbar. Unternehmen, die diesen Druckpunktwechsel annehmen, können nicht nur ihre Prozesse konsequent verbessern, sondern sich nachhaltig als Innovationsführer positionieren.

In der Automobilindustrie zeigt sich das Potenzial dieser Revolution besonders eindrucksvoll. Elektrifizierung, softwaredefinierte Fahrzeuge und zentrale Rechnerarchitekturen erfordern präziseste Planung und Datenstrukturen, die besser durch KI beherrscht werden können. Ebenso sieht sich die Luft- und Raumfahrt mit verschärften Sicherheitsstandards und hochspezialisierten Materialien konfrontiert, während der Industriesektor den steigenden Anforderungen globaler Standards und IoT-Technologien gerecht werden muss.

Wie in Bild 1 dargestellt, ist die Einführung von generativer, lernender und erklärbarer KI, als Assistenz für die Entwickler, mehr als ein technologischer Fortschritt. Sie stellt einen Druckpunktwechsel dar. Sie hilft den Systemingenieur dabei,

Bild 1

Druckpunktwechsel mithilfe von generativer, erklärbarer und lernender KI im Systems Engineering

1. die Komplexität und Qualität der Modellierung zu handhaben,

2. Inkonsistenzen zu identifizieren (Nachverfolgbarkeit der Wirkbeziehungen zwischen Anforderungen, Funktionen, Systemen und der physischen Struktur),

3. implizites Wissen und Informationen zu dem System zu identifizieren,

4. komplexe Modellierungswerkzeuge zu bedienen, anspruchsvolle Modellierungssprachen anzuwenden und isolierte Systemarchitekturen aufzulösen.

So wird der initiale Aufwand der Modellierung deutlich reduziert – während zeitgleich die Qualität steigt. Insbesondere Unternehmen mit einer langen Historie haben genau hier einen Konflikt: Sie sitzen auf einem riesigen Schatz impliziten Wissens und Produkterfahrung. Dieser Vorteil kehrt sich jedoch in einen Nachteil, weil der Aufwand der Kodifizierung in Modellbasiertes Systems Engineering (MBSE) immens hoch ist.

Generative KI im Systems Engineering bricht Silos auf, vernetzt Disziplinen, macht verborgene Synergien nutzbar und unterstützt so den Ingenieur aktiv bei Lösungsvorschlägen. Sie ist nicht nur ein Werkzeug, sondern der Beschleuniger für die Transformation eines Systems, das bislang droht, an seiner eigenen Komplexität zu scheitern.

KI-gestützter SysEng-Navigator als Schlüssel zur operativen Umsetzung in der Industrie

Die Herausforderungen moderner Produktentwicklungen erfordern mehr als inkrementelle Verbesserungen, sie verlangen einen echten Wandel. Genau hier setzt unser KI-gestützter System Engineering Navigator (SysEng-Navigator) an. Mit den Möglichkeiten generativer KI-Modelle, insbesondere solcher, die auf Natural Language Processing (NLP) basieren, wird nicht nur eine Beschleunigung, sondern eine grundlegende Transformation der anforderungsbasierten Modellierung erreicht. Studien belegen das enorme Potenzial: Wie Patel et al. [2] zeigen, können generative KI-Modelle die Erstellung von Anforderungen und die Modellierung von Systemelementen aus unstrukturierten Daten signifikant verbessern. Auf dem IN-COSE International Symposium [1] zeigte Brian Johns eindrucksvoll, dass ein NLP-fä-higer MBSE-Assistenzansatz eine massive Zeitersparnis von bis zu Faktor 300 ermöglichen kann.

Doch die Herausforderungen bleiben: Redundanzen, Inkonsistenzen und Abweichungen, die bisher oft untrennbar mit komplexen Entwicklungsprozessen verbunden waren, müssen gezielt adressiert werden [1]. Dieser Ansatz ist darauf ausgelegt, diese Schwächen zu überwinden und die Modellierung in eine neue Ära zu führen.

Der SysEng-Navigator basiert auf der RFLP-Kette. Dieser Ansatz verknüpft Anforderungen mit Funktionen, Systemen und der physischen Produktstruktur, nicht nur in einer Richtung, sondern bidirektional (Bild 2):

Bild 2

Konzeptioneller Aufbau des SysEng-Navigators für bidirektionales Systems Engineering

1. Von Anforderungen zu Funktionen und Systemen

   Anforderungen werden systematisch analysiert und in Funktionen und logische Elemente überführt.

2. Von der physischen Struktur rückwärts zu Funktionen und Systemen

   Die zugrundeliegenden Anforderungen und Funktionen werden aus bestehenden physischen Elementen rekonstruiert.

Eine Brücke zwischen Vergangenheit und Zukunft

Der SysEng-Navigator (Bild 2) wurde speziell für Unternehmen entwickelt, die sich in einem Spannungsfeld zwischen etablierten Produkten und der Notwendigkeit neuer Innovationen befinden. Bild 2 zeigt die bidirektionale Verbindung von Anforderungen, Funktionen, logischem Aufbau und physischen Komponenten mithilfe eines Large Language Models, das Domä-nenwissen und semantische Transformationsregeln integriert. Dadurch können bestehende Systemelemente nahtlos mit neuen Entwicklungen verknüpft werden, ohne wertvolles Wissen zu verlieren.

Hier trifft technische Innovation auf folgende praktische Anwendbarkeit:

Die Systemingenieure behalten stets die Kontrolle

Der SysEng-Navigator weist kollaborativ auf Fehler und Lücken hin und präsentiert Lösungsvorschläge. Er fordert gezielt Interaktionen ein, um sicherzustellen, dass alle generierten Inhalte auf die spezifischen Bedürfnisse und Ziele abgestimmt sind. Während die KI administrative Aufgaben übernimmt, können sich die Entwicklungsteams auf die strategische und kreative Modellierung konzentrieren (Bild 3). Wie die Mensch-Roboter-Kollaboration in der Fertigung ermöglicht der SysEng-Navigator eine Mensch-KI-Kollaboration.

Bild 3

Systemingenieure behalten stets die Kontrolle – Generative KI wird zur Kollaboration verwendet (SysEng-Navigator in Zusammenarbeit mit Aleph Alpha auf Basis von PhariaAI)

Datenintegrität, Qualität und transformative Effizienz bringen großen Nutzen

Der KI-gestützte SysEng-Navigator ist weit mehr als ein Werkzeug – er ist der Schlüssel zur Transformation. Sein Kern liegt in der Befähigung von Unternehmen, Komplexität zu beherrschen und ihre Innovationskraft nachhaltig zu steigern. Dabei stehen Datenintegrität und unternehmensspezifische Flexibilität im Mittelpunkt:

Skalierbare Liefermodelle für maximale Anpassung

Unternehmen sind verschieden, und der SysEng-Navigator berücksichtigt die in Bild 4 dargestellten flexiblen Liefermodelle:

Bild 4

Liefermodelle des SysEng-Navigators im Vergleich

1. Impact as a Service

   Unternehmen können den SysEng-Navigator als cloudbasierte Lösung nutzen, ohne hohe Implementierungskosten oder IT-Anpassungen. Dies ermöglicht eine schnelle, risikoarme Einführung mit skalierbaren Funktionen, die je nach Bedarf erweitert werden können.

2. Vollständige Integration

   Für Organisationen mit spezifischen Anforderungen wird der SysEng-Navigator direkt in die bestehende IT-Landschaft des Kunden integriert. Hierbei bleibt die volle Kontrolle über Daten und Prozesse beim Unternehmen.

Fazit: Eine neue Ära des Systems Engineering

Die wachsende Komplexität moderner Produkte ist nicht nur eine Herausforderung, sondern eine einzigartige Chance. Der KI-gestützte SysEng-Navigator zeigt, dass Systeme, die einst als schwerfällig und fehleranfällig galten, durch den Einsatz von KI und einer durchgängigen Datenstrategie zu agilen, leistungsfähigen Entwicklungsplattformen werden können. Die Verbindung aus Datenintegrität, domänenspezifischem Wissen und skalierbaren Liefermodellen macht den SysEng-Navigator zu einem „Game Changer“. Unternehmen profitieren von einer einheitlichen, fehlerfreien Datenbasis, die Transparenz schafft und Silos aufbricht. Flexible Liefermodelle ermöglichen eine schnelle Einführung oder vollständige Integration, passend zu den individuellen Bedürfnissen jedes Unternehmens.

Dieser Ansatz ermöglicht nicht nur Effizienzsteigerungen, sondern auch eine nachhaltige Sicherung von Innovationskraft und Wettbewerbsfähigkeit. Der SysEng-Navigator transformiert das Systems Engineering und bricht alte Grenzen auf: Er bietet die Präzision und Transparenz, die in einer komplexen Welt unverzichtbar sind, und macht den Weg frei für die nächste Generation von Produkten.

Die Zukunft des Systems Engineering ist da, und sie wird von Datenintegrität, KI und menschlicher Kreativität gemeinsam gestaltet. Der SysEng-Navigator beweist, dass Innovation nicht das Ende bestehender Methoden bedeutet, sondern deren nächste, stärkere Entwicklungsstufe.