Von isolierten KI-Piloten zur orchestrierten Produktentwicklung
Wenn wir mit Engineering-Verantwortlichen in Automotive und Manufacturing sprechen, hören wir gerade zwei Dinge sehr häufig. Erstens: „Wir haben schon einige KI-Piloten laufen.” Und kurz danach, fast immer: „Aber irgendwie skaliert das nicht.”
Das ist kein Zufall. Und es liegt auch nicht an fehlender Ambition oder den falschen Tools.
Das Problem ist struktureller Natur. Komplexe Produktentwicklung hat eine Koordinationsgrenze erreicht, nicht weil Engineering-Organisationen zu langsam sind, sondern weil der Koordinationsaufwand schneller wächst als die Mechanismen, mit denen wir ihn heute steuern.
Produkte werden softwaredefinierter, stärker vernetzt, regulatorisch anspruchsvoller. Anforderungen entstehen quer durch alle Disziplinen. Architekturen überspannen Mechanik, Elektrik/Elektronik, Software und Services. Verifikation, Validierung und Compliance werden komplexer und dynamischer.
Gleichzeitig arbeiten wir alle in gewachsenen Prozess-, Methoden- und Tool-Landschaften. Diese PMT-Landschaften sind wichtig, sie sichern Qualität und Kontrolle. Aber sie sind fragmentiert, historisch gewachsen und selten auf durchgängige KI-Unterstützung ausgelegt.
Die eigentliche Frage ist deshalb nicht mehr: Wie automatisieren wir den nächsten Engineering-Task? Sondern: Wie bauen wir eine neue Koordinationsschicht für komplexe Produktentwicklung?
Warum einzelne KI-Use-Cases nicht mehr ausreichen
Die erste Welle von KI im Engineering hat echten Wert geliefert. Unternehmen setzen KI heute ein für Anforderungsanalyse, technische Dokumente, Spezifikationen, Code-Unterstützung, Testfallgenerierung, semantische Suche oder Self-Service-Prozesse.
Das ist kein Kleinkram. Diese Lösungen reduzieren manuelle Arbeit, verbessern Konsistenz und geben Ingenieur:innen mehr Zeit für die Dinge, bei denen sie wirklich gebraucht werden. NTT DATA hat solche Lösungen in Automotive und Manufacturing umgesetzt, etwa in Requirements Engineering, Engineer-to-Order-Automatisierung, intelligentem Dokumentenmanagement und technischem Self-Service.
Und trotzdem: Lokale Effizienz erzeugt noch keine Ende-zu-Ende-Performance.
Ein Tool extrahiert Anforderungen. Ein anderes unterstützt Softwareteams. Wieder ein anderes generiert Testfälle. Bleiben diese Fähigkeiten isoliert, entstehen genau die Probleme, die wir eigentlich lösen wollen: manuelle Übergaben, uneinheitliche Daten, fehlende Traceability, wiederkehrende Abstimmungsschleifen.
Der Engpass verschiebt sich also. Nicht die einzelne Tätigkeit ist das Problem, sondern die Orchestrierung über den gesamten Prozess.
Agentic Product Development: Von Assistenz zu Orchestrierung
Agentic Product Development bedeutet: Multi-Agent-Systeme koordinieren Engineering-Aktivitäten über den gesamten Produktentwicklungsprozess hinweg.
Statt eines generischen Assistenten arbeiten spezialisierte Agenten zusammen. Ein Agent unterstützt bei der Anforderungsanalyse. Ein anderer interpretiert Architekturabhängigkeiten. Weitere helfen bei Softwareentwicklung, Verifikation, Validierung, Compliance, Änderungsmanagement oder Projektsteuerung.
Der Anspruch ist nicht, Engineering-Urteilsvermögen zu ersetzen. Der Wert liegt darin, Arbeit vorzubereiten, Informationen zu verbinden, Konsistenz zu prüfen und Übergaben zu beschleunigen. Menschen bleiben verantwortlich für Review, Freigabe und Entscheidungen mit technischer oder regulatorischer Tragweite. Das ist keine Einschränkung, sondern genau der Punkt.
Drei Bausteine machen das möglich:
- Orchestrierung steuert, welcher Agent wann aktiv wird, welche Daten er braucht, welches Tool er nutzt und wann ein Mensch eingreifen muss.
- Agent Skills verpacken Engineering-Wissen in wiederverwendbare, geprüfte Anweisungen: Prozesse, Methoden, Vorlagen, Beispiele, Tool-Nutzung, Qualitätskriterien.
- MCP, das Model Context Protocol, ermöglicht es Agenten, kontrolliert mit externen Systemen zu interagieren. Für Engineering-Verantwortliche ist das ein entscheidender Schritt: KI bewegt sich damit weg von der Chat-Oberfläche, hin zu integrierten Engineering-Prozessen.
Der eigentliche Wandel ist also nicht „Mensch gegen Maschine". Er ist: von isolierter KI-Unterstützung zu gesteuerter Prozess-Orchestrierung.
Wo der Wert entsteht: Drei Workflows mit echtem Hebel
Der größte Nutzen kommt nicht von einem einzelnen KI-Feature. Er entsteht durch Wirkketten über den Lebenszyklus. Drei Workflows sind dabei besonders relevant.
1. Von Anforderungen und Architektur zu V&V
Anforderungen und Architektur legen die Qualität vieler nachgelagerter Schritte fest. Werden sie unvollständig oder zu spät interpretiert, entstehen Risiken, die sich durch Entwicklung, Test und Compliance ziehen.
In einem agentischen Workflow kann eine neue Spezifikation oder ein RFQ eine koordinierte Kette auslösen. Ein Requirements Agent extrahiert, klassifiziert und bewertet Anforderungen. Ein Architecture Agent interpretiert Abhängigkeiten und Schnittstellen im Systemmodell. Ein V&V Agent leitet daraus Prüfmethoden, Testfälle und Abdeckungsinformationen ab.
SysML v2 spielt hier eine oft unterschätzte Rolle. Nicht nur als Modellierungssprache, sondern als maschinenlesbares Systemmodell und Schnittstellenvertrag zwischen Agenten in einer systemübergreifenden Ontologie. Systemwissen wird dadurch expliziter, verknüpfbarer und tatsächlich nutzbar.
Das praktische Ergebnis: Das V-Modell wird weniger abhängig von manuellen Dokumentübergaben. Stattdessen entstehen nachverfolgbare, modellbasierte Workflows.
2. Spec-driven Softwareentwicklung
Softwaredefinierte Produkte brauchen eine engere Verbindung zwischen Spezifikation, Implementierung, Test und Dokumentation. Das klingt selbstverständlich. In der Praxis ist es das oft nicht.
Spec-driven Softwareentwicklung nutzt Anforderungen und Designintention als ausführbaren Kontext für Softwareteams. Agenten können Spezifikationen in Aufgaben übersetzen, Code-Entwürfe erzeugen, Tests vorbereiten, Dokumentation aktualisieren und Validierungsschritte in CI/CD-Pipelines anstoßen.
Der eigentliche Hebel liegt nicht in schnellerem Coding. Er liegt in Konsistenz. Wenn Spezifikation, Code, Tests und Dokumentation in einem Workflow verbunden sind, werden Inkonsistenzen früher sichtbar. Übergabeverluste sinken. Softwareteams arbeiten mit besserem Kontext.
In sicherheits- und qualitätskritischen Umgebungen bleibt menschliche Verantwortung selbstverständlich unverzichtbar. KI beschleunigt Vorbereitung, Analyse, Generierung und Validierung. Sie ersetzt nicht die technische Freigabe.
3. Continuous Compliance
Compliance wird in vielen Entwicklungsorganisationen noch immer als nachgelagerte Dokumentationsaufgabe behandelt. Dieses Modell funktioniert immer schlechter.
Regulatorische Anforderungen, Normen, Cybersecurity-Vorgaben und marktspezifische Regeln müssen früh in Anforderungen, Designs, Tests und Release-Entscheidungen einfließen. Passiert das zu spät, entstehen Rework, Verzögerungen und echtes Risiko.
Continuous Compliance nutzt KI, um regulatorische Relevanz früher zu erkennen, Anforderungen mit Engineering-Artefakten zu verknüpfen, Traceability zu pflegen und Evidenz effizienter aufzubereiten. Das ist keine automatische Zertifizierung, und das sollte es auch nicht sein. Der realistische Wert liegt in früherer Impact-Erkennung, besserer Nachweisführung und deutlich mehr Transparenz.
NTT DATA bietet hier Assets wie Syntphony Compliance Management für Homologation, Konformität, Registrierung und zertifizierungsnahe Prozesse.
Die Datenbasis: Agenten brauchen gemeinsame Bedeutung
Multi-Agent-Systeme sind nur so gut wie die Datenbasis, auf der sie arbeiten.
Wenn Anforderungen, Architektur-Elemente, Testfälle, Code, Regularien, Projektpläne und Change Requests in isolierten Tools stecken, fehlt verlässlicher Kontext. Agenten finden dann zwar Daten, aber sie verstehen nicht zwingend deren Bedeutung. Und das ist ein grundlegender Unterschied.
Deshalb werden semantische Datenfundamente zentral. Eine semantische Schicht definiert gemeinsame Engineering-Begriffe: Produkt, Requirement, Funktion, Feature, Schnittstelle, Komponente, Testfall, Defect, Regulation, Release Baseline. Erst wenn alle dasselbe meinen, können Agenten verlässlich koordinieren.
Microsoft Fabric und Fabric IQ dienen als Plattform für Knowledge Graphs, Ontologien und semantische Unternehmensmodelle. Wichtiger als die konkrete Technologie ist aber die Erkenntnis: Skalierbare agentische KI ist keine reine Modellfrage. Sie ist eine Frage von Daten, Semantik, Integration und PMT-Transformation.
Ohne gemeinsame Bedeutung bleibt KI punktuell. Mit gemeinsamer Bedeutung kann sie Workflows über Tools und Disziplinen hinweg wirklich verbinden.
NTT DATA Systems Engineering Copilot als Beschleuniger
NTT DATA positioniert den Systems Engineering Copilot, kurz SECP, als wiederverwendbaren Accelerator für komplexe Produktentwicklung.
Eine wichtige Einordnung: SECP ist kein Werkzeug für eine einzelne Systems-Engineering-Methode. Der Ansatz zielt auf agentische Workflows in bestehenden Engineering-Landschaften, mit agentischen Workflows zum Beispiel für Anforderungsmanagement, Dokumentenanalyse, Testfallgenerierung inklusive Tool-Integration. SECP basiert auf Microsoft Azure und ist für den produktiven Einsatz in Unternehmensumgebungen ausgelegt.
Der Wert eines solchen Accelerators liegt in Wiederverwendbarkeit. Unternehmen müssen nicht bei jedem Use Case von null anfangen. Sie können auf Referenzarchitekturen, Integrationsmuster, CI/CD, Infrastructure as Code, Repositories, Konnektoren und GenAI-Skill-Grundlagen aufsetzen.
Unsere Differenzierung: Wir liefern ganzheitliche Lösungen für KI im Engineering und verbinden Engineering-PMT-Beratung, Daten- und KI-Kompetenz, wiederverwendbare Assets und ein skalierbares Betriebsmodell.
Der pragmatische Weg: Discover, Prove, Scale
Agentic Product Development braucht keinen Big Bang. Es sollte dort starten, wo Business Value, Machbarkeit und organisatorische Bereitschaft zusammenkommen.
- Discover: Engineering, IT, Data und Business identifizieren gemeinsam die Workflows mit dem höchsten Wertpotenzial. Ein Value Discovery Workshop hilft dabei, Reifegrad, Use Cases, KPIs und Transformationsagenda zu schärfen, ohne sich in endlosen Abstimmungsrunden zu verlieren.
- Build and Evaluate: Ein fokussierter PoC validiert ausgewählte Use Cases mit realen Daten und echtem Engineering-Kontext. NTT DATA bietet dafür auf Basis von SECP ein effizientes Vorgehen mit Infrastrukturaufbau, Implementierung, KPI-Bewertung und Roadmap-Planung.
- Scale: Erfolgreiche PoCs müssen in ein industrialisiertes Liefermodell überführt werden, mit DevOps, Data Engineering, Enterprise Architecture, wiederverwendbaren Komponenten, Change Enablement und Governance.
Governance ist dabei kein Bremsklotz. Sie ist Voraussetzung für Skalierung. Wenn Agenten Zugriff auf Daten, Tools und Workflows bekommen, brauchen Organisationen klare Regeln: Human Approval, Security, Observability, Kostenkontrolle, Lifecycle Management. Wer das von Beginn an mitdenkt, skaliert schneller. Nicht langsamer.
Was jetzt zu tun ist
Agentic Product Development ist kein weiteres KI-Tool, das in die Engineering-Landschaft gestellt wird. Es ist der Aufbau einer neuen Koordinationsschicht für komplexe Produktentwicklung.
Die Organisationen, die davon profitieren werden, sind nicht die mit den meisten KI-Piloten. Es sind die, die KI-Fähigkeiten in skalierbare, gesteuerte und wertorientierte Engineering-Workflows überführen.
Ein konkreter Einstieg:
- Identifizieren Sie die drei Engineering-Workflows mit dem höchsten Koordinationsaufwand.
- Prüfen Sie, wo Anforderungen, Architektur, Software, V&V und Compliance heute voneinander getrennt sind.
- Definieren Sie einen PoC mit realen Daten, klaren KPIs und human-in-the-loop.
- Bauen Sie Semantik, Tool-Integration und Governance von Beginn an mit ein.
- Skalieren Sie erfolgreiche Use Cases über unser AI-Factory-Modell.
Das KI-Portfolio für Engineering-Teams und der Systems Engineering Copilot von NTT DATA bieten dafür einen pragmatischen Pfad: relevante Workflows identifizieren, Wert fokussiert nachweisen und Agentic AI industriell skalieren.