Das osthessische Unternehmen EDAG hat in einer Pressemitteilung das Thema Künstliche Intelligenz aufgegriffen und seine eigene technologische Entwicklung vorgestellt. Was auf den ersten Blick wie eine weitere Unternehmensmeldung im anhaltenden Grundrauschen der Digitalisierung klingen mag, entpuppt sich bei genauerem Hinsehen als Generalabrechnung mit einer kollektiven Illusion, die derzeit Vorstandsetagen von Stuttgart bis Detroit im Griff hält.
Künstliche Intelligenz ist dieser Tage allgegenwärtig – auf Plakaten, in Quartalsberichten, in feierlichen Sonntagsreden. Nur an einem Ort sucht man sie bisher vergebens: in den Produktivitätsstatistiken der realen Industrie. Das Phänomen erinnert frappierend an das berühmte Paradoxon, das der Ökonom Robert Solow Ende der achtziger Jahre formulierte: Man sieht das Computerzeitalter überall, nur nicht in den volkswirtschaftlichen Kennziffern. Heute wiederholt sich diese Ernüchterung in beschleunigter Form. Nahezu jedes Industrieunternehmen investiert erhebliche Budgets in algorithmische Versuchsanordnungen. Doch der tatsächliche Ertrag grenzt an ein Debakel. Nach Erhebungen des renommierten MIT-Projekts NANDA erzielen gerade einmal fünf Prozent der betrieblichen KI-Pilotprojekte einen messbaren Geschäftswert. Fünfundneunzig Prozent versanden als teure Laborübungen im Prototypenstatus. Galoppierende Betriebskosten, ein akuter Kontrollverlust über firmeneigene Daten und Rechenwege sowie ein bis zuletzt unklarer wirtschaftlicher Nutzen blockieren den Übergang in die Werkshallen und Entwicklungsbüros.
Der Grund für dieses kollektive Scheitern liegt nicht im Unvermögen der Ingenieure, sondern in einem fundamentalen Kategorienfehler. Wer die hochkomplexe Konstruktion industrieller Güter organisieren will, indem er seine Entwicklungsabteilung schlicht per Standard-Schnittstelle an die Serverfarmen amerikanischer Plattformkonzerne stöpselt, verkennt das Wesen industrieller Wertschöpfung. Große Sprachmodelle verbleiben physisch und logisch beim jeweiligen Betreiber. Man kann sie zwar über eine Programmierschnittstelle (API) oberflächlich mit den Dateibergen eines Unternehmens füttern. Tief in die gewachsenen, hochgradig verzahnten Prozesse eines Entwicklungsbetriebs einweben lassen sie sich auf diesem Weg jedoch nicht. Das Modell bleibt ein externer Fremdkörper, der probabilistische Vermutungen anstellt, wo deterministische Präzision gefordert ist.
Genau an dieser Sollbruchstelle setzt die EDAG Group mit ihrem Konzept „EDAG.ai“ an. Der Engineering-Dienstleister denkt Künstliche Intelligenz nicht von den schillernden Marketingversprechen des Silicon Valley her, sondern kompromisslos von den physischen und regulatorischen Zwängen der industriellen Produktentwicklung. Das Ziel: Unternehmen dabei zu unterstützen, Algorithmen souverän, beherrschbar und vor allem wirtschaftlich in ihren Prozessen zu verankern. Bemerkenswert ist dabei die strategische Nüchternheit des Ansatzes. EDAG.ai tritt weder als das nächste monumentale Basismodell an, noch wird hier ein standardisiertes, starres Softwareprodukt aus der Konserve feilgeboten. Das Fundament bilden modulare KI-Systeme aus wiederverwendbaren Bausteinen, die flexibel an die tatsächlichen Prozessketten, proprietären Daten und individuellen Vorgaben des jeweiligen Betriebs adaptiert werden.
Hier prallen zwei gänzlich gegensätzliche Denkschulen aufeinander. Die marktbeherrschende Consumer-AI lebt vom Prinzip des digitalen Schleppnetzes: Big Data, gigantische Massen ungefilterter Daten aus dem frei zugänglichen Netz, hineingeschaufelt in gigantische Rechenzentren. Doch industrielle Enterprise-AI folgt anderen Gesetzen. Sie verlangt nicht nach unübersehbaren Datenhalden, sondern nach „Smart Data“ – hochgradig verdichtetem, strukturiertem und für den konkreten Anwendungsfall optimiertem Wissen. Die Stärke von EDAG speist sich hierbei aus der Erfahrung von mehr als 7.000 globalen Entwicklungsprojekten über einen Zeitraum von mehr als 55 Jahren. Es ist das über Jahrzehnte akkumulierte Detailwissen als weltweit führender unabhängiger Engineering-Dienstleister, das von der feingliedrigen E/E-Funktion über Plattformarchitekturen bis hin zur Gesamtintegration moderner Fahrzeuge reicht.
Dieses Erfahrungswissen wurde in domänenspezifischen Engineering-Ontologien, mathematisch abgesicherten Wissensbasen und praxiserprobten Referenzmodellen – darunter ein eigens systematisierter Produktentstehungsprozess – formalisiert. Erst durch die Kopplung an diese Smart Data gewinnen die internen, bislang oft brachliegenden Datenbestände eines Herstellers ihren tatsächlichen wirtschaftlichen Wert. Und das unter Wahrung der wichtigsten Währung des Industriezeitalters: Die Datenhoheit verbleibt uneingeschränkt beim Kunden. Wo es um Crashsicherheit, Lenksysteme oder Hochvoltbatterien geht, darf ein System nicht halluzinieren. Deshalb ergänzen deterministische Regeln und harte ingenieurwissenschaftliche Standards die probabilistischen Modelle überall dort, wo Prozessdaten absolut zuverlässig verarbeitet und Ergebnisse lückenlos nachvollzogen werden müssen.
Dass erfolgreiche Vorhaben im Enterprise-Bereich zwingend beim konkreten Anwendungsfall und niemals bei der Faszination für neue Technologien beginnen dürfen, hat das Unternehmen in den sogenannten „5Cs der souveränen KI“ operationalisiert. Anhand der fünf Dimensionen Cost (Kostenkontrolle), Control (System- und Datenhoheit), Compliance (Konformität mit Regulatorik und Normen), Customization (maßgeschneiderte Anpassung) und Compounding (kontinuierlicher Wissenszuwachs) können Industrieunternehmen systematisch auditieren, ob alle ökonomischen und organisatorischen Voraussetzungen für eine echte Wertschöpfung erfüllt sind, bevor Millionenbudgets verbrannt werden.
Den theoretischen Kern dieses Kurswechsels bringt Gabriel Seiberth, Executive Vice President Electrics/Electronics bei der EDAG Group, auf den Punkt: Der Markt frage unablässig, welches Modell das Beste sei, doch für Unternehmen sei das schlicht die falsche Frage. Der Wert eines Modells entstehe erst in einem sogenannten Harness – einer Infrastruktur, die das Modell mit Werkzeugen, Gedächtnis und Daten versorgt und seine Arbeit gezielt steuert. Die Zahlen untermauern diese Diagnose drastisch: Benchmarks belegen, dass ein und dasselbe Spitzenmodell in einem spezialisierten Harness rund drei Viertel aller Aufgaben meistert, in einer generischen Umgebung hingegen nur knapp mehr als die Hälfte.
Seiberths Analyse markiert das Ende einer industriellen Naivität. Erfolgreiche Enterprise-AI entsteht nicht durch das bequeme Abonnieren der Programmierschnittstellen externer Frontier Labs, sondern durch souveräne, aufgabenoptimierte Trägerstrukturen. Nur in solchen Harnesses kann sich unternehmenseigenes Wissen dauerhaft akkumulieren. Hinzu kommt ein handfester ökonomischer Hebel: Ein Basismodell neu zu trainieren verschlingt dreistellige Millionenbeträge, ein bestehendes System modular zu erweitern kostet nur einen winzigen Bruchteil davon. Der spezifische Engineering Harness von EDAG verknüpft Domänenwissen, Daten, Prozesse und Modelle und stellt sie über Abteilungsgrenzen hinweg auf Unternehmensebene bereit.
Dahinter vollzieht sich ein fundamentaler Paradigmenwechsel der gesamten Branche. Über Jahre hinweg galt das Streben nach einer Allgemeinen Künstlichen Intelligenz (AGI) als sakrosanktes Dogma. Unter dem Leitsatz „Scale is all you need“ wurden immer größere Rechenkapazitäten und Parameterberge aufgetürmt. Doch seit das KI-Forschungslabor Anthropic Ende 2025 den Begriff des „Harness“ für autonome Agentensysteme prägte, gewinnt die Gegenthese die Oberhand: Künstliche Intelligenz ist kein isoliertes Orakel, sondern ein komponiertes System aus Modell und umgebender Struktur – und das Schwergewicht verlagert sich rasant auf die Struktur. Solche Harnesses lassen sich nicht beliebig von einer Branche auf die andere übertragen. Software-Coding, Cybersecurity oder das formale Beweisen von Theoremen verlangen jeweils eigene, passgenaue Architekturen.
Im Product Engineering wiegt diese Anforderung doppelt schwer. Moderne Automobile sind die komplexesten Konsumgüter der industriellen Welt, hochgradig vernetzte cyber-physische Systeme, die im Betrieb die Rechenleistung eines kleinen Rechenzentrums auf die Straße bringen. Zugleich unterliegt ihre Entwicklung einem regulatorischen Korsett von immenser Dichte: Jedes Konstruktionsergebnis muss gegen internationale Normen prüfbar sein; von der ersten Anforderung im Lastenheft bis zur finalen Serienfreigabe verlangen Gesetzgeber und Zulassungsbehörden eine lückenlose, domänenübergreifende Nachvollziehbarkeit. Der Engineering Harness von EDAG ist die erste Branchenarchitektur, die exakt auf diesen Anwendungsfall zugeschnitten ist. Sie ist konzeptionell darauf angelegt, niemals statisch oder abgeschlossen zu sein: Neue Modelle und Methoden werden integriert, sobald sie Marktreife erlangen. Mit jeder Nutzung und jedem Prozessschritt wächst der Wissensschatz im System – und bleibt als unantastbares Firmenvermögen im Besitz des Kunden. Seiberths Fazit ist unmissverständlich: Nur wer die Struktur um das Modell beherrscht, hat die Hebel für den geschäftlichen Unternehmenswert überhaupt in der Hand.
Diese Feststellung gewinnt vor dem Hintergrund des globalen Datenmarktes elementare Dringlichkeit. Die öffentlich zugänglichen Datenquellen des Internets sind weitgehend abgeweidet. Das nächste große Entwicklungsfeld, die sogenannte „Physical AI“ – jene Intelligenz, die Maschinen, Werkzeuge, Roboter und Fahrzeuge in der realen Welt steuert –, speist sich fast ausschließlich aus internen Konstruktions- und Fertigungsdaten. Je unersetzlicher diese proprietären Bestände werden, desto existenzieller wird ihre strikte Einkapselung. Digitale Souveränität verkommt hier nicht zur politischen Floskel, sondern wird unter der Prämisse „Your data. Your AI.“ zur geschäftlichen Überlebensfrage.
Wer sich auf das reine API-Modell verlässt, begibt sich in eine fatale Asymmetrie: Der externe Plattformbetreiber bestimmt im Alleingang, welches Modell im Hintergrund rechnet, welche Werkzeuge aktiviert werden, wann Preise angehoben oder Versionen abgeschaltet werden. Der Engineering Harness setzt dieser Fremdbestimmung eine offene, modulare Plattformarchitektur entgegen, deren Komponenten sich beliebig erweitern oder austauschen lassen. Unternehmen geraten in keine technologische Sackgasse. Da Plattform und Ontologien infrastrukturell autark operieren, können sie vollständig an den Kunden übergeben und in dessen eigenen Rechenzentren betrieben werden. Gerade für sicherheitskritische Branchen mit extremen Anforderungen an Datenschutz, Geheimhaltung und regulatorische Absicherung, wie die Automobil- und die Verteidigungsindustrie, ist das die zwingende Voraussetzung für einen rechtskonformen KI-Betrieb.
Dass dieses Konzept keine akademische Fingerübung darstellt, untermauert das Unternehmen mit einsatzfertigen KI-Anwendungen, die parallel bereitgestellt werden. Entlang des gesamten Produktentstehungsprozesses greifen spezialisierte Bausteine – etwa in der automatisierten Code-Generierung, im Bereich Cybersecurity oder im hochkomplexen Requirements Engineering. Sie lassen sich ab dem ersten Tag im Regelbetrieb einsetzen oder auf kundenspezifische Daten und Prozessstrukturen kalibrieren.
Die deutsche Industrie steht vor einer Weichenstellung, die über ihren künftigen Rang im globalen Gefüge entscheiden wird. Das Zeitalter des naiven Ausprobierens ist abgelaufen; die Ausfallquote von 95 Prozent belegt das Scheitern der bisherigen Schnittstellen-Mentalität. Wer seine industrielle Führungsposition im kommenden Jahrzehnt behaupten will, darf KI nicht als fremdes Konsumgut begreifen, sondern muss sie als originäre strategische Kernfähigkeit im eigenen Haus verankern. Der Ansatz von EDAG.ai zeigt den Weg auf: Souveränität entsteht dort, wo das Wissen im Haus bleibt – und die Architektur die Modelle beherrscht, nicht umgekehrt. +++
Hinterlasse jetzt einen Kommentar