In naher Zukunft werden agentische KI-Automatisierung und Large Engineering Models (LEMs) konvergieren, um CAE-Workflows von Grund auf neu zu gestalten. Design for Manufacturing steht vor einem Wandel - nicht inkrementell, sondern fundamental - und nicht nur im Kunststoffspritzguss. Durch die Entwicklung des ersten LEM fuer den Kunststoffspritzguss arbeiten SIMCON und EMMI AI zusammen, um das technische Fundament fuer dieses neue Paradigma zu schaffen.
Warum jetzt
Klassische Trial-and-Error-Simulationsworkflows sind ineffizient.
Kaum ein Bereich hat mehr Reibung als simulationsgestütztes Design im Spritzguss. Noch heute führen viele Simulationsexperten einzelne Simulationen nacheinander durch, beobachten Ergebnisse, nehmen Anpassungen vor und wiederholen den Vorgang. Unsere Forschung zeigt, dass die meisten Anwender zwischen 5-20 Simulationsvarianten erkunden - was nicht besonders viel ist und grosse Teile des Lösungsraums unerforscht lässt. Die Lernrate wird durch die geringe Geschwindigkeit und kleine Anzahl an Beobachtungen begrenzt. Da dieser Prozess als manueller, arbeitsintensiver Workflow abläuft, dauert er lange, und Ingenieure akzeptieren pragmatisch "gut genug"-Lösungen anstelle wirklich optimaler. Während die statistische Versuchsplanung bereits Teile der Explorationsphase parallelisieren kann, macht die Rechenintensität klassischer numerischer Simulationssolver es unpraktisch und teuer, sehr grosse Anzahlen (1000+) von Beobachtungen durchzuführen, was es schwer macht, nichtlineare Auswirkungen veränderter Einstellungen zu beobachten.
Wir glauben, dass dieser Workflow in naher Zukunft ersetzt werden wird, weil zwei Entwicklungen zusammenkommen: Agentische KI und Large Engineering Models.
Agentische KI erreicht die Ingenieurwelt
Agentische KI-Systeme, die ein Ziel annehmen, eine Abfolge von Aktionen planen, Werkzeuge aufrufen, Ergebnisse interpretieren und eigenständig iterieren, sind kein Forschungskonzept mehr. Sie sind bereits Produktionsinfrastruktur in der Softwareentwicklung und dringen in jeden Bereich vor, in dem komplexe, mehrstufige Workflows Reibung erzeugen.
Stellen Sie sich einen Agenten vor, der ein übergeordnetes Ziel übernimmt - Verzug minimieren bei gleichzeitiger Füllbalance unter Kostenrestriktionen - und die gesamte Designexploration orchestriert: Einrichtung, Simulation, Bewertung, nächste Iteration. Die Bausteine existieren bereits heute: Large Language Models (LLMs) für das Schlussfolgern, Tool-Calling-Protokolle, Cloud-Computing, CAD- und CAE-APIs. Die Frage ist nicht mehr, ob dies passieren wird, sondern wie schnell Unternehmen in der Lage sein werden, sich neu zu organisieren und diese Methoden in zuverlässige, angewandte Workflows zu übernehmen.
Immer mehr vom Workflow wird sich davon weg bewegen, die Simulations-Engine über eine GUI zu bedienen. Der Agent wird dies für Sie übernehmen. Ingenieure werden sich stärker auf die Orchestrierung der agentischen Arbeit, die Bewertung, das Hinterfragen und Diskutieren von Ergebnissen und die Abstimmung von Entscheidungen mit anderen Beteiligten konzentrieren.
Es gibt jedoch einen Haken. Die LLMs, die agentische KI antreiben, sind Allzweck-Reasoner. Sie können Physik nicht mit fertigungsgerechter Genauigkeit vorhersagen. Und Genauigkeit ist entscheidend: Halluzinationen in physikalischen Vorhersagen könnten katastrophale Folgen haben.
Um also hochpräzise Physik in den Workflow einzubringen, werden Agenten spezialisierte, domänenspezifische Simulationswerkzeuge nutzen.
Ein Agent ist nur so schnell wie sein langsamstes Werkzeug
Ein KI-Agent nutzt ein LLM, um einen komplexen Workflow in Sekunden zu planen, und ruft Werkzeuge für spezialisierte Teilaufgaben auf. Aber wenn ein Agent einen klassischen numerischen Solver aufruft, der vier Stunden pro Design-Iteration benötigt, bleibt der Engpass bei Geschwindigkeit und Rechenkosten bestehen - er bekommt nur eine schickere Hülle. Die Orchestrierung eines langsamen Prozesses zu automatisieren ist nicht dasselbe wie den Aufbau einer grundlegend neuen Fähigkeit. Tatsache ist, dass klassische Solver zu rechenintensiv für schnelle, grosse Iteration sind.
Echte Transformation geschieht, wenn sich beide Dinge gleichzeitig ändern: Der Workflow wird automatisiert und das Simulationswerkzeug, das der Agent nutzt, wird radikal schneller. Was benötigt wird, ist eine fundamental andere Modellklasse.
