KI als Katalysator für Systems Engineering

AI as a Catalyst for Systems Engineering

Die schnelle Verbreitung von Künstlicher Intelligenz im Arbeitsalltag führt dazu, dass reines Faktenwissen zunehmend austauschbar wird und Routineaufgaben weitgehend automatisiert ablaufen. In einer von komplexen Engineering-Lösungen geprägten Entwicklungs­umgebung bietet das Systems Engineering den notwendigen methodischen Anker, um die Stabilität von Produkten und Unternehmen langfristig zu sichern.

Unstrukturierte Ansätze, die beim klassischen Prompting möglich sind, führen ohne architektonische Leitplanken zu unübersichtlichen Strukturen. Dies gilt im Besonderen für cyber-physische Systeme, bei denen die enge Wechselwirkung von Hardware und Software genaue Abstimmung erfordert.

Der Unternehmens­erfolg hängt folglich davon ab, die neuen technologischen Potenziale effizient zu nutzen und gleichzeitig die volle Kontrolle über die eigene Infrastruktur zu behalten.

The rapid proliferation of Artificial Intelligence in daily work means that pure factual knowledge is becoming increasingly interchangeable and routine tasks are largely automated. In a development environment shaped by complex engineering solutions, Systems Engineering provides the necessary methodological anchor to ensure the long-term stability of products and companies.

Unstructured approaches, as are possible with classic prompting, lead to chaotic structures without architectural guardrails. This is particularly true for cyber-physical systems, where the close interaction of hardware and software requires precise coordination.

Consequently, corporate success depends on utilizing new technological potentials efficiently while maintaining full control over one's own infrastructure.

Evolution des Systems Engineering

Evolution of Systems Engineering

Die Integration von Künstlicher Intelligenz in die Produktentwicklung verändert Jobprofile und Prozessketten grundlegend. Durch die Automatisierung von Dokumentations­aufgaben und Spezifikations­prüfungen gewinnen Fachkräfte Freiräume, um als System­spezialisten zu agieren.

Die Kernkompetenz verlagert sich auf ein ganzheitliches Systems Thinking, welches das Beherrschen der logischen, funktionalen und physischen Wechselwirkungen zwischen den Domänen in den Vordergrund stellt.

The integration of Artificial Intelligence into product development fundamentally changes job profiles and process chains. By automating documentation tasks and specification reviews, professionals gain the freedom to act as system specialists.

Core competence is shifting toward holistic Systems Thinking, which emphasizes mastering the logical, functional, and physical interactions between domains.

Domänenexpertise als Fundament der Qualitätssicherung

Domain Expertise as the Foundation of Quality Assurance

Trotz der Evolution zum Systemfokus bleibt fundiertes Expertenwissen in den Einzel­disziplinen unverzichtbar. Künstliche Intelligenz generiert zwar Lösungen, aber nur erfahrene Fachkräfte besitzen die nötige Validierungs­kompetenz, um die physische Realisierbarkeit, Robustheit und Normen­konformität zu prüfen.

Die Kollaboration zwischen den Entwicklern und dem System­spezialisten sichert die Produktqualität bei komplexen mechatronischen Systemen. So lassen sich hochentwickelte Fachkräfte an Hochkostenstandorten wie der Schweiz effizient einsetzen.

Despite the evolution toward a system focus, deep expert knowledge in individual disciplines remains indispensable. While Artificial Intelligence generates solutions, only experienced professionals possess the necessary validation competence to verify physical feasibility, robustness, and regulatory compliance.

Collaboration between developers and system specialists ensures product quality in complex mechatronic systems. That is what makes it efficient to deploy highly developed professionals at high-cost locations such as Switzerland.

Durchgängigkeit bis in die Fertigung

End-to-End Continuity into Production

Ein ganzheitlicher Ansatz im Systems Engineering schliesst die Produktion von Beginn an ein. Die Schnittstelle zur Fertigung erfordert eine kontinuierliche Bewertung mit dem Ziel, eine prozessual abgesicherte und automatisierte Datenübergabe der Entwicklungsdaten direkt in die Produktions­systeme zu realisieren.

Manuelle Übertragungsfehler entfallen, der Industrialisierungs­prozess beschleunigt sich. Entsprechende Daten-Pipelines helfen künftig, den digitalen Zwilling ohne manuelle Medienbrüche von der System­architektur bis auf das Band der Fertigungslinie zu übertragen.

A holistic approach to Systems Engineering includes production right from the start. The interface to manufacturing requires continuous evaluation with the goal of realizing a procedurally secure and automated data transfer of development data directly into production systems.

Manual transcription errors are eliminated, and the industrialization process accelerates. Corresponding data pipelines will help in the future to transfer the digital twin from the system architecture to the assembly line without manual media disruptions.

Methodischer Ansatz zur Wissenssicherung

Methodological Approach to Knowledge Preservation

Zur langfristigen Wissens­sicherung dient die Technologie der Retrieval-Augmented Generation (RAG). Bei diesem Verfahren wird die KI nicht mit vertraulichen Unternehmensdaten trainiert, wodurch der Schutz des geistigen Eigentums gewährleistet bleibt.

Lastenhefte, Metadaten und Prozess­beschreibungen verbleiben dabei in einer geschützten lokalen Vektor­datenbank. Bei einer Anfrage zu historischen Projekterkenntnissen durchsucht das System diese Datenbank nach relevanten Informationen und stellt sie dem Sprachmodell als temporären Kontext zur Verfügung, der nach der Beantwortung wieder verworfen wird.

Grundlage und unverzichtbare Voraussetzung für dieses Vorgehen ist eine bereinigte Datenbasis. Genau hier liegt eine der grössten Herausforderungen. Relevante Informationen liegen häufig verteilt über verschiedene Systeme und in uneinheitlichen Formaten vor. Wird diese Datenbasis nicht grundlegend bereinigt und konsolidiert, bleibt der gewünschte Effekt der KI-Unterstützung aus.

Retrieval-Augmented Generation (RAG) technology serves to ensure long-term knowledge preservation. With this method, the AI is not trained on confidential corporate data, thereby guaranteeing the protection of intellectual property.

Specifications, metadata, and process descriptions remain in a secure, local vector database. When a query regarding historical project insights comes in, the system searches this database for relevant information and provides it to the language model as a temporary context, which is discarded after the response is generated.

The foundation and essential prerequisite for this approach is a clean data basis. This is exactly where one of the biggest challenges lies. Relevant information is often scattered across different systems and in inconsistent formats. If this data basis is not fundamentally cleaned and consolidated, the desired effect of AI support fails to materialize.

Datensicherheit

Data Security

Künstliche Intelligenz erfordert im Unternehmen klare Leitplanken, wie sie auch für neue Mitarbeiter festgelegt und geschult werden. Die Organisation legt fest, welche Kompetenzen zugewiesen werden und welche Daten das Unternehmen verlassen dürfen.

Eine präzise Richtlinie definiert den sicheren Umgang mit der Technologie. Die notwendige Vorsicht vor einem Datenabfluss darf jedoch nicht dazu führen, dass technologische Innovationen blockiert werden.

Artificial Intelligence requires clear corporate guardrails, similar to those defined and trained for new employees. The organization determines which competences are assigned and which data is allowed to leave the company.

A precise policy defines the safe handling of the technology. However, the necessary caution against data leakage must not lead to a blockage of technological innovation.

Pragmatischer KI-Einsatz

Pragmatic AI Deployment

Der Übergang zu einer KI-unterstützten Entwicklung erfolgt schrittweise und orientiert sich an den realen Voraussetzungen der IT-Infrastruktur sowie der Software-Tool-Landschaft. Starre Vorgaben scheitern in der Praxis. Zuerst wird geprüft, ob fortgeschrittene Sprachmodelle nötig sind oder klassische Automatisierung ausreicht. Danach startet die Umsetzung mit einfachen Anwendungsfällen als Quick Wins.

Die Mitarbeiter­befähigung erfolgt im Projektalltag. Entwickler und System­spezialisten lernen im Prozess, wie diese neuen Werkzeuge die Schnittstellenarbeit effizient unterstützen können, ohne dass die eigene Fachkompetenz in Hardware, Software und Mechanik erodiert.

The transition to AI-supported development occurs step-by-step and is oriented toward the real requirements of the IT infrastructure and the software tool landscape. Rigid mandates fail in practice. First, it is reviewed whether advanced language models are required or classic automation suffices. Implementation then begins with straightforward use cases as quick wins.

Employee empowerment takes place during daily project work. Developers and system specialists learn in the process how these new tools can efficiently support interface work without eroding their own core technical expertise in hardware, software, and mechanics.