Teil 2: Die vier Evolutionsstufen im Engineering: Warum Deutschlands Industrie sich neu organisieren muss

Der Newsletter für nachhaltige Transformation Made in Germany 🇩🇪

Über den Standort Deutschland wird viel geklagt. Doch Jammern bringt uns nicht weiter – Handeln schon!

Die globalen Rahmenbedingungen können wir kaum beeinflussen. Was wir beeinflussen können, ist wie gut Unternehmen digital, agil und zukunftsfähig aufgestellt sind.

In diesem Newsletter reflektiere ich wöchentlich meine Erfahrungen, Erkenntnisse und Impulse aus Digital-, Transformations- und Change-Projekten.

✔️Prägnant ✔️Praxisnah ✔️ Pro Bono.

Mein Antrieb: Viele kleine, konsequente Schritte können große Wirkung entfalten.

📣 Lass uns gemeinsam was bewegen!

Herzlich willkommen zu einer neuen Ausgabe von der Transformator:

Teil 1 zeigte: Deutschlands Industrie ist trotz digitaler Transformation weiterhin stark von klassischen Hardware-Geschäftsmodellen geprägt. Doch während Wertschöpfung zunehmend durch Software, Daten und KI entsteht, stoßen traditionelle Engineering- und Organisationslogiken an ihre Grenzen.

Entscheidend wird daher nicht nur, bessere Produkte zu entwickeln, sondern Engineering, Datenflüsse, Entscheidungswege und Zusammenarbeit grundlegend neu zu denken. Genau hier setzen die vier Entwicklungsstufen an – vom klassischen Engineering bis hin zu Physical AI, die wir uns imfolgenden kurz anschauen:

Simultaneous Engineering (SE)

ist etwa bei Bosch und vielen anderen deutschen Unternehmen mit starkem Hardware-Hintergrund heute immer noch gängige Praxis.

SE beschreibt einen Entwicklungsansatz, bei dem alle relevanten Fachbereiche von Anfang an parallel und eng abgestimmt an einem Produkt arbeiten. Statt dass Mechanik, Elektronik, Software, Fertigung, Qualität, Einkauf und Projektmanagement nacheinander ihre Beiträge liefern, werden sie bereits in der frühen Konzeptphase gemeinsam eingebunden.

Der Ansatz entstand unter anderem aus der Erkenntnis, dass isolierte Arbeit in Fachsilos häufig zu späten Schnittstellen-, Integrations- oder Fertigungsproblemen führt, die im schlimmsten Fall erst in der Produktion sichtbar werden. Deshalb versucht man, alle relevanten Disziplinen frühzeitig an einen Tisch zu bringen und Entscheidungen gemeinsam aus Sicht des Gesamtsystems zu treffen.

Der Grundgedanke klingt zunächst sehr positiv, einleuchtend und vernünftig: Produktentwicklung wird nicht als lineare Abfolge einzelner Disziplinen verstanden, sondern als gemeinsamer, interdisziplinärer Entscheidungsprozess.

Aus meiner Perspektive als SAFe Coach, der crossfunktionale Teams fördert, ist der Ansatz zunächst grundsätzlich überzeugend. Die wichtigsten Vorteile sind:

✅ Frühe Einbindung aller relevanten Fachbereiche: Mechanik, Elektronik, Software, Fertigung, Qualität, Einkauf und Projektmanagement arbeiten von Beginn an zusammen.

🤝 Bessere crossfunktionale Zusammenarbeit: Silos werden reduziert, Abhängigkeiten früher sichtbar und Entscheidungen stärker am Gesamtsystem ausgerichtet.

🔎 Frühe Risikoerkennung: Technische, wirtschaftliche und organisatorische Risiken werden bereits in der Konzeptphase identifiziert und bewertet.

🔄 Weniger späte Änderungen: Durch frühe Abstimmung sinkt die Wahrscheinlichkeit, dass Probleme erst spät in Entwicklung, Industrialisierung oder Produktion auftreten.

🎯 Ganzheitliche Optimierung: Entscheidungen berücksichtigen Technik, Qualität, Kosten, Termine, Einkauf und Herstellbarkeit statt nur die Sicht einer einzelnen Domäne.

🏭 Bessere Herstellbarkeit *Design for Manufacturing( : Fertigung und Qualität werden früh eingebunden, wodurch Produkte von Anfang an robuster und produktionsgerechter entwickelt werden.

Nachdem ich diese Methode über Jahre hinweg in der Praxis aus verschiedenen Perspektiven erlebt habe – als klassischer Projektleiter, Leiter eines SE-Teams, Mitglied in Review Boards, Projektsteuerer, agiler Coach sowie als jemand, der ein SE-Team zu einem agilen Team weiterentwickelt hat –, sind mir folgende Nachteile aufgefallen:

🐢 Träge Entscheidungsprozesse: Viele Entscheidungen müssen mehrfach vorbereitet, abgestimmt und anschließend durch Steering Boards oder Review Boards freigegeben werden. Dadurch entstehen Wartezeiten und Verzögerungen.

🏛️ Abhängigkeit von Gremien: Teams können wichtige Entscheidungen oft nicht selbst treffen, sondern sind auf zentrale Freigaben angewiesen. Das reduziert Eigenverantwortung und Geschwindigkeit.

🔥 Aufwendige Bewertung von Wechselwirkungen: Systemeffekte wie Eigenerwärmung, Bauraumkonflikte, EMV, Toleranzketten oder Materialverhalten müssen oft mühsam zwischen mehreren Experten abgestimmt und abgeschätzt werden.

🧩 Fehlende End-to-End-Verantwortung: Da Verantwortung stark nach Fachdomänen verteilt ist (fehlende Product Ownership), fehlt oft jemand, der die Auswirkungen einer Entscheidung auf das gesamte Produkt durchgängig bewertet.

Aufbauend auf den Erfahrungen aus Simultaneous Engineering verschiebt sich der Fokus in dieser Evolutionsstufe: weg von reiner Abstimmung zwischen Domänen, hin zu echter End-to-End-Verantwortung in crossfunktionalen Teams. 🔁

Während SE vor allem darauf abzielt, alle relevanten Fachbereiche frühzeitig an einen Tisch zu bringen, geht SAFe einen Schritt weiter: Verantwortung für Produktinkremente, Priorisierung und Wertlieferung wird stärker auf Agile Teams, Agile Release Trains und Product Ownership übertragen. Entscheidungen sollen dadurch näher an den Teams getroffen, Abhängigkeiten reduziert und Umsetzungszyklen beschleunigt werden. 🚀

SAFe bietet dafür einen organisatorischen Rahmen, der Zusammenarbeit auf Teamebene sowie Skalierung über mehrere Teams, Domänen und Produkte hinweg strukturiert. Besonders in komplexen Hardware-, Software- und Mechatronik-Umgebungen verbindet SAFe klassische SE-Elemente wie Synchronisation, Abstimmung und Systemintegration mit agilen Prinzipien wie iterativer Entwicklung, klarer Priorisierung und kontinuierlichem Feedback. ⚙️

Eine zusätzliche Beschleunigung entsteht durch KI-gestützte Tools. KI kann Teams dabei helfen, Abhängigkeiten schneller zu erkennen, Anforderungen zu analysieren, Risiken früh sichtbar zu machen, Entscheidungsgrundlagen aufzubereiten und Wissen aus früheren Projekten nutzbar zu machen. 🧠

In der Praxis kamen diese KI-Funktionen häufig zunächst lokal in bestehenden Engineering-Tools an. In Creo sind beispielsweise generatives Design, simulationsgestützte Optimierung, thermische Erweiterungen, additive Fertigungsfunktionen und Workflow-Automatisierung als KI-nahe bzw. KI-gestützte Funktionen relevant. Sie unterstützen die tägliche Arbeit und können Entwicklungsprozesse beschleunigen. Die Verbesserung entstand oft pragmatisch durch Softwareupdates – ohne dass Management oder Enterprise Architecture zuvor umfassend definieren mussten, wie das Engineering der Zukunft im Detail aussehen soll.

Gleichzeitig bleibt der KI-Einsatz in dieser Phase meist auf lokale Tools begrenzt. Das „Big Picture“fehlt häufig – insbesondere die übergreifende Bewertung von Abhängigkeiten und Wechselwirkungen zwischen den Gewerken. Dadurch bleiben menschliche Abstimmung, Diskussion und fachliche Debatte weiterhin notwendig, um systemische Zusammenhänge zu erkennen und belastbare Entscheidungen zu treffen. 🔍

Erfolgskritisch ist daher, ob Teams im Sinne von echtem Enablement und Empowerment tatsächlich innerhalb eines klar definierten Verantwortungsraums eigenständig entscheiden dürfen. Hat das Management Verantwortung wirklich abgegeben – oder laufen zentrale Entscheidungen weiterhin über Hierarchien, Steering Boards und zentrale Fachabteilungen? 🧭

Ebenso entscheidend ist, ob ein ART tatsächlich alle Kompetenzen vereint, um ein Produkt Ende-zu-Ende zum Kunden zu bringen – von Define über Build und Test bis hin zu Deploy bzw. Release. Fehlen wesentliche Fähigkeiten weiterhin in Silos oder Zentralabteilungen, entstehen erneut Abhängigkeiten, Wartezeiten und langsame Entscheidungswege. In diesem Fall wird zwar agil organisiert, aber nicht wirklich agil geliefert. ⚠️

Technologisch ist vieles bereits möglich – organisatorisch sind viele Unternehmen jedoch noch nicht so weit. Warum ist das so? Ausgabe 21 erklärt die Hintergründe.

Doch während Deutschland vielerorts noch daran arbeitet, Daten, Modelle, Teams und Entscheidungsprozesse wirklich zu integrieren, entsteht bereits die nächste Entwicklungsstufe…

Physical AI und Weltmodelle könnten das Engineering grundlegend verändern – und damit genau jene industrielle Kernkompetenz herausfordern, auf der Deutschlands Erfolg seit Jahrzehnten beruht.

Teil 3 wirft deshalb den Blick nach vorne und wagt eine Prognose über den Digital Thread in Richtung Physical AI…