»Bei uns ist Simulation weit weg von KI. Dafür fehlen die Trainingsdaten.«
Das habe ich neulich von einem erfahrenen Simulationsingenieur gehört. Die Aussage stimmt — und liegt trotzdem daneben.
Er dachte dabei an maschinelles Lernen: ein Modell, das aus tausenden Simulationsläufen lernt, um neue Ergebnisse vorherzusagen. Dafür braucht es tatsächlich große, saubere Trainingsdatensätze, die in der Simulationswelt selten in dieser Form vorliegen. Da hat er recht.
Aber das ist nicht die KI, die für sein Team gerade den größten Unterschied machen würde.
Die KI, die heute den größten Hebel hat, trainiert nicht auf seinen Daten. Sie liest, fasst zusammen, schreibt und exportiert mit ihnen. Lastenhefte verstehen. Testreports formulieren. Ergebnisse aus einer Simulationsdatei direkt in ein fertiges Reporting-Layout bringen.
Genau das hatte sein Team übrigens längst gebaut — eine eigene Automatisierung, die Simulationsergebnisse automatisch in ein individualisierbares Reporting-Layout exportiert. Nur eben ohne es als KI-Thema zu verstehen, weil im Kopf KI gleich Modelltraining war.
Diese Verwechslung kostet Zeit. Wer KI nur als »braucht
Trainingsdaten, die wir nicht haben« abhakt, übersieht den Teil, der
sofort nutzbar wäre.
Bei einem Team, das diese Unterscheidung schon kennt, ist das ein Randgedanke. Bei einer ganzen Engineering-Abteilung, die KI deshalb komplett von der Agenda nimmt, ist es eine verpasste Effizienzquelle, Monat für Monat.
Die meisten, die sagen »KI passt nicht zu unseren Daten«, meinen eigentlich: »Modelltraining passt nicht zu unseren Daten.«
Das ist ein wichtiger Unterschied.
Wenn du an KI in eurem Engineering-Alltag denkst — denkst du an Modelltraining, oder an die Arbeit, die heute schon mit euren Daten anfällt?