Global vernetzte Märkte, zunehmender Wettbewerbsdruck sowie demografische Veränderungen prägen eine Geschäftswelt, die sich in hohem Tempo wandelt. Innovations- und Entwicklungsabteilungen sind vor diesem Hintergrund gefordert, Entwicklungszeiten zu verkürzen und gleichzeitig mit begrenzten personellen und finanziellen Ressourcen umzugehen, um die Wettbewerbsfähigkeit langfristig zu sichern. Gleichzeitig entstehen entlang des gesamten Produktentstehungs- und Nutzungsprozesses große Mengen heterogener und überwiegend unstrukturierter Daten, deren effiziente Auswertung den Einsatz neuer Methoden und Verfahren erforderlich macht. 

Hier gewinnt der Einsatz von Künstlicher Intelligenz (KI) zunehmend an Bedeutung. In der industriellen Praxis haben sich bereits eine Reihe von KI-gestützten Anwendungen im Engineering etabliert, etwa zur automatisierten Auswertung von Mess- und Simulationsdaten, zur Unterstützung der Qualitätsprüfung oder zur wissensbasierten Assistenz bei der Erstellung technischer Dokumentation. Diese Anwendungen zeigen, dass KI in der Lage ist, ingenieurwissenschaftliche Tätigkeiten zu unterstützen und viele Prozessschritte effizienter zu gestalten. In der Praxis zeigt sich jedoch, dass der Einsatz von KI im Engineering häufig auf isolierte Anwendungsfälle beschränkt bleibt. Die Integration in durchgängige Forschungs- und Entwicklungsprozesse sowie die systematische Verknüpfung mit Methoden des Systems Engineerings und den Aufgaben der Produktentwicklung sind bislang nur in Ansätzen realisiert. Insbesondere die Übertragung erfolgreicher Pilotanwendungen in den Regelbetrieb sowie deren kontinuierliche Evaluation und Skalierung über Projekte und Produktgenerationen hinweg stellen zentrale Herausforderungen dar. 

Ziel unseres Konsortial-Benchmarkings ist es, erfolgreiche und praxiserprobte Lösungen und Erfolgsfaktoren im Konsortium zu ermitteln, zu verstehen und von diesen zu profitieren. Gemeinsam wollen wir Konzepte, Methoden und Vorgehensweisen von Successful-Practice Unternehmen identifizieren und erfahren, wie sich eine KI-Anwendungen erfolgreich in der Produktentwicklung skalieren lassen und welche Use Cases sich in der Praxis bereits bewährt haben.