Wie KI das Engineering im Maschinenbau verändert

Eckertz begann mit einer Zahl, die die Dimension des Themas verdeutlicht: 1.000.000. Gemeint ist die Größenordnung der Nutzung moderner KI-Systeme. ChatGPT verzeichnete (zum Zeitpunkt des Vortrags) rund 1 Mrd. wöchentliche Nutzer und ebenso viele Anfragen pro Tag. Besonders bemerkenswert: „über 90 Prozent der Fortune-500-Unternehmen nutzen ChatGPT Enterprise“.

Damit wird klar: KI ist kein kurzfristiger Hype mehr, sondern hat sich als produktives Werkzeug in Wirtschaft und Industrie etabliert. Sie wirkt sich zunehmend direkt auf Wertschöpfungsketten aus – und nun auch im Engineering.

Von regelbasierter Software zur „Software 3.0“

Um die Tragweite der aktuellen Entwicklung zu verstehen, ordnete Eckertz KI historisch ein:

• Software 1.0: klassische, deterministische Programme mit fest definierten Regeln

• Software 2.0: lernende Systeme, die auf Basis von Daten Muster erkennen

• Software 3.0: generative KI-Modelle, die flexibel auf natürliche Sprache reagieren

Gerade die dritte Stufe markiert einen Paradigmenwechsel: „Da ist nichts fest einprogrammiert, was genau zu tun ist, sondern [...] die Modelle können ein relativ breites Spektrum an Aufgaben erfüllen.“

Diese Flexibilität macht KI universell einsetzbar – auch in komplexen Engineering-Prozessen.

KI erreicht menschliches Intelligenzniveau – und darüber hinaus

Eckertz zeigte, dass moderne KI-Modelle inzwischen mit menschlicher Intelligenz vergleichbar sind. Einige spezialisierte Modelle liegen darunter, andere darüber: „Anthropic [...] hat schon IQ [...] von circa 130.“ Sein prägnantes Bild: Man habe heute „unter Umständen einen promovierten Wissenschaftler in der Hosentasche“, der jederzeit verfügbar ist.

Über die Revolution, Dinge neu zu denken

Die Einführung von künstlicher Intelligenz im Maschinenbau ist kein reines Technologieprojekt. Sie verändert Geschäftsmodelle, Serviceprozesse und langfristig sogar Organisationsstrukturen. Genau diesen praxisnahen Weg beschrieben Jürgen Welker von Koch Pac-Systeme, und Jonas Schaub von Elunic auf der Packaging Machinery Conference 2026.

Redaktion .

Diese Entwicklung bildet die Grundlage für den nächsten Evolutionsschritt.

Vom Chatbot zum autonomen Agenten

Während KI bislang vor allem als dialogbasierter Assistent eingesetzt wurde, verlagert sich der Fokus nun auf sogenannte agentische Systeme, die eigenständig arbeiten:

• Sie führen komplette Aufgaben aus

• nutzen Software-Tools selbstständig

• arbeiten parallel und rund um die Uhr

• agieren mit „Maschinengeschwindigkeit“

Ein Beispiel sind lokale Agentensysteme, die sogar den eigenen Computer steuern können – inklusive E-Mail, Kalender oder Softwaretools. Damit verschiebt sich die Rolle der Nutzer grundlegend.

Der Ingenieur wird zum Orchestrator

Diese Entwicklung hat unmittelbare Konsequenzen für das Engineering, da sich das klassische Bild des T förmigen Ingenieurs – breites Wissen plus tiefe Spezialisierung –erweitert.

KI ermöglicht es nun künftig, Kompetenzen in mehreren Domänen aufzubauen, ohne überall Experte zu sein. Gleichzeitig bleibt Grundlagenwissen essenziell, betonte Eckertz: „Wenn man gar keine Ahnung [...] hat, ist es auch schwierig, da die KI einzusetzen.“

Ein zentrales neues Konzept ist dabei das „Oktopus-Modell“: Ein Mensch fungiert als Orchestrator und steuert verschiedene spezialisierte KI-Agenten – vergleichbar mit Tentakeln, die unterschiedliche Aufgaben übernehmen.

Massive Produktivitätsgewinne bereits heute

Die Auswirkungen sind bereits messbar: Laut Eckertz produzieren Entwickler bei Anthropic heute „achtmal mehr Code“ als noch ein Jahr zuvor – dank KI-Unterstützung.

Zudem erreichen KI-Systeme bei offenen Problemstellungen Erfolgsraten von bis zu 80 %. Das ermöglicht völlig neue Arbeitsweisen: Selbst Nicht-Programmierer können heute innerhalb von Minuten funktionierende Software erstellen.

Langfristig deutet vieles auf eine Selbstoptimierung hin: KI-Systeme helfen bereits dabei, neue KI-Systeme zu entwickeln – ein sich verstärkender Kreislauf.

Drei Entwicklungsstufen des KI-Einsatzes

Eckertz unterscheidet drei Reifegrade:

• Heute: Chatbots und Copilots zur Unterstützung einzelner Aufgaben

• Jetzt zunehmend: autonome Agenten, die komplette Prozesse übernehmen

• Zukunft: vollständig integrierte, autonome Engineering-Systeme

In dieser Zukunft arbeiten Menschen und KI-Agenten in hybriden Teams auf einer gemeinsamen Datenbasis zusammen.

KI durchdringt den gesamten Engineering-Prozess

Entlang des klassischen V-Modells zeigte Eckertz zahlreiche Einsatzmöglichkeiten – von der Produktidee bis zur Produktion. Besonders eindrucksvoll:

• Mit KI generierte Produktideen können innerhalb von Stunden als realistisch wirkende Webseiten inklusive Videos umgesetzt werden. Klick- und Kaufverhalten liefern sofort Feedback zum Marktpotenzial.

• CAD-Systeme können fehlende Bauteile automatisch generieren oder komplette Konstruktionen aus Spracheingaben ableiten – etwa eine Raspberry-Pi-Hülle in wenigen Minuten.

• KI-Agenten können Anforderungen analysieren, Tests generieren und Ergebnisse direkt in Systemmodelle integrieren – ähnlich wie ein menschlicher Entwicklungsprozess.

Daten sind der entscheidende Erfolgsfaktor

Ein zentrales Thema ist die Datenbasis. Eckertz betonte: „Das alles funktioniert natürlich nicht einfach so, wenn man [...] eine KI draufsetzt.“

Stattdessen brauche es strukturierte Daten und sogenannte Knowledge Graphs, die Beziehungen zwischen Systemelementen abbilden. Erst dadurch wird KI im Engineering wirklich leistungsfähig.

„Mach ein Dashboard, Digger!“

Malcolm Werchota, ehemals Global AI Evangelist bei Novartis und mittlerweile freier Consultant, lieferte in seiner Keynote auf der Packaging Machinery Conference 2026 eine teils provokante und immer praxisnahe Anleitung für den echten KI-Durchbruch in Unternehmen.

Redaktion .

Das „Arena-Modell“: KI im Zentrum des Engineerings

Als Alternative zum klassischen V-Modell stellte Eckertz das neu entwickelte „Arena-Modell“ vor. Im Zentrum steht hier ein durchgängiger Datenraum, auf den sowohl KI-Systeme als auch Menschen zugreifen. Darum herum entstehen:

• eine KI-Plattform

• eine zentrale Datenstruktur („Intelligent Thread“)

• ein Kollaborationsraum zwischen Mensch und Maschine

Ziel ist ein kontinuierlicher Engineering-Prozess statt linearer Abläufe – mit vollständiger Integration von KI.

Herausforderung: KI muss spezialisiert werden

Ein großes Problem bleibt aktuell: Standard-KI-Modelle sind zu generisch für industrielle Anwendungen. Zusätzlich bestehen Herausforderungen hinsichtlich:

• Datenhoheit und Souveränität

• Kosten externer Plattformen

• fehlender Transparenz der Trainingsdaten

Die Lösung sieht Eckertz in mehrstufiger Spezialisierung:

• Prompt Engineering

• Fine-Tuning mit Unternehmensdaten

• Integration externer Dokumente (RAG)

• Kombination aller Ansätze

Langfristig sollen domänenspezifische Modelle entstehen, die exakt auf industrielle Anforderungen zugeschnitten sind.

Fazit

Der Vortrag machte deutlich: KI verändert das Engineering nicht schrittweise, sondern grundlegend. Die Rolle des Ingenieurs wandelt sich vom Problemlöser zum Orchestrator komplexer, KI-gestützter Systeme. Gleichzeitig entstehen völlig neue Möglichkeiten, Produkte schneller, datengetriebener und effizienter zu entwickeln.

Oder, wie Eckertz es indirekt zusammenfasste: Die eigentliche Herausforderung besteht nicht mehr darin, ob KI eingesetzt wird – sondern darin, wie konsequent und strukturiert Unternehmen diese Transformation gestalten.

Das war die Packaging Machinery Conference 2026

Am 16. und 17. Juni fand in Nürnberg die Packaging Machinery Conference (PMC) 2026 statt. Experten des deutschen Verpackungsmaschinenbaus sprachen über Perspektiven, Strategien und Lösungen für die Zukunft. Der Live-Ticker zum Nachlesen.

Peter Hammer