Teil 3: 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:

Deutschlands Industrie steht an einem Wendepunkt: Sie ist stark, erfolgreich und weltweit anerkannt – verdient ihr Geld aber vielerorts noch immer nach klassischer Hardwarelogik: Auftrag rein, Produkt bauen, Hardware liefern, Rechnung schreiben.

Gleichzeitig verschiebt sich industrielle Wertschöpfung immer stärker in Richtung Software, Daten, Plattformen und KI. Genau daraus entsteht die zentrale Herausforderung: Es reicht nicht mehr, nur bessere Produkte zu entwickeln.

Unternehmen müssen Engineering, Entscheidungswege, Datenflüsse und Zusammenarbeit grundlegend neu organisieren. Die ersten beiden Entwicklungsstufen zeigen diesen Wandel deutlich: Simultaneous Engineering brachte Fachbereiche früh zusammen, blieb aber oft langsam, gremienlastig und siloabhängig.

SAFe und KI-gestützte Tools gingen einen Schritt weiter – hin zu mehr End-to-End-Verantwortung, schnelleren Entscheidungen und crossfunktionalen Teams.

Doch solange Daten, Kompetenzen und Entscheidungsspielräume nicht wirklich integriert sind, bleibt der Effekt begrenzt. Damit wird klar: Der nächste Evolutionsschritt im Engineering entsteht nicht durch einzelne Tools, sondern durch einen durchgängigen Digital Thread, systemisches Modellverständnis und echte organisatorische Anschlussfähigkeit.

Digital Thread ( SAFe AI, KI-Modelle; MBSE und Hardware DevOps)

Aus den Schwächen von SAFe 5.0 in Verbindung mit überwiegend lokal eingesetzten KI-Tools hat sich ab SAFe 6.1 ein weiterentwickelter Ansatz herauskristallisiert: AI wird nicht mehr nur als Tool-Unterstützung einzelner Entwickler verstanden, sondern als Fähigkeit, die in den gesamten Wertstrom integriert werden muss. 🧠

Für einen Agile Release Train (ART) bedeutet das: AI sollte sichtbar in Backlogs, PI Planning, System Demos, Inspect & Adapt sowie in der Continuous Delivery Pipeline verankert werden. Sie kann dabei als Produktfunktion mit direktem Kundennutzen, als technischer Enabler für Daten-, Modell- und Automatisierungsfähigkeiten oder zur Verbesserung der ART-Arbeitsweise eingesetzt werden – etwa zur Analyse von Abhängigkeiten, Risiken, Qualitätsproblemen, Kundenfeedback oder Engpässen im Flow. 🔁

Der eigentliche Mehrwert entsteht, wenn AI nicht nur einzelne Tätigkeiten beschleunigt, sondern dem ART hilft, bessere systemische Entscheidungen zu treffen. Während lokale KI-Funktionen vor allem die Produktivität einzelner Rollen erhöhen, kann eine ART-weite AI-Nutzung Zusammenhänge zwischen Anforderungen, Architektur, Implementierung, Tests, Betrieb und Kundenfeedback sichtbar machen.

Damit wird AI zu einem Entscheidungs- und Lernsystem für den gesamten ART. Voraussetzung dafür sind klare Guardrails zu Datenschutz, IP-Schutz, Sicherheit, Qualität, Nachvollziehbarkeit und Verantwortlichkeit. AI kann Entscheidungen vorbereiten und beschleunigen – die Verantwortung bleibt jedoch bei Teams, Product Management, Architektur, Business Ownern und weiteren definierten Rollen. 🧭

Eine zentrale Rolle spielt dabei MBSE (Model-Based Systems Engineering). MBSE liefert ein strukturiertes digitales Systemmodell, in dem Anforderungen, Funktionen, logische und physische Architektur, Schnittstellen, Abhängigkeiten, Varianten, Verifikationskriterien und Systemverhalten miteinander verknüpft werden. Gerade bei komplexen mechatronischen Produkten entsteht dadurch eine gemeinsame fachliche Grundlage über Mechanik, Elektronik und Software hinweg. ⚙️

MBSE liefert damit das „Big Picture“, das bei rein lokalem KI-Einsatz häufig fehlt. Wenn Anforderungen, Architekturentscheidungen, Tests und Implementierungsartefakte verbunden sind, kann AI deutlich wirksamer unterstützen – zum Beispiel durch Impact Analysen bei Änderungen, Erkennung von Inkonsistenzen, Ableitung von Testfällen, Risikobewertung oder Identifikation von Abhängigkeiten zwischen Teams und Domänen. Ohne ein sauberes Systemmodell bleibt AI oft auf isolierte oder unstrukturierte Datenquellen angewiesen.

Damit ergibt sich eine sinnvolle Weiterentwicklung: SAFe schafft den organisatorischen Rahmen für crossfunktionale Verantwortung und schnelle Wertlieferung im ART, MBSE liefert die systemische Modellbasis, und AI hilft, aus diesen Daten schneller Erkenntnisse und Entscheidungsgrundlagen abzuleiten. Der Nutzen entsteht jedoch nur, wenn diese Elemente wirklich integriert werden. Wird MBSE lediglich als Dokumentationspflicht verstanden, AI nur lokal genutzt und zentrale Entscheidungen weiterhin außerhalb des ART getroffen, bleibt der Effekt begrenzt.

Ergänzend schließen Hardware DevOps die Lücke zwischen agiler Softwareentwicklung und klassischer Hardwareentwicklung. Sie übertragen DevOps-Prinzipien auf hardware-nahe Entwicklungsprozesse: kontinuierliche Integration, automatisierte Tests, frühe Validierung, Traceability und kurze Feedbackzyklen. Dazu gehören Simulationen, virtuelle Prototypen, Hardware-in-the-Loop-Tests, digitale Zwillinge, automatisierte Prüfstände sowie gekoppelte Toolchains zwischen CAD, E-CAD, PLM, ALM und Testsystemen. 🧪

MBSE beschreibt Anforderungen, Funktionen, Schnittstellen und Verifikationskriterien; Hardware DevOps machen diese Modelle praktisch nutzbar, indem sie sie mit Simulation, Integration und Test verbinden. AI kann diesen Kreislauf zusätzlich unterstützen – etwa durch Impact Analysen, Anomalieerkennung, Bewertung der Testabdeckung oder Risikoanalysen.

Erfolgskritisch ist, dass Hardware DevOps nicht als reine Tool-Initiative verstanden werden. Der ART muss Zugriff auf die notwendigen Kompetenzen, Testumgebungen und Entscheidungsräume haben. Bleiben Prüfstände, Simulation oder Fertigungs-Know-how in zentralen Silos, entstehen erneut Abhängigkeiten, Wartezeiten und langsame Feedbackschleifen. 🚧

Kurz gesagt: SAFe organisiert die Zusammenarbeit, MBSE liefert das Systemverständnis, AI unterstützt Analyse und Entscheidungen – und Hardware DevOps ermöglichen kontinuierliche Integration und schnelles Feedback auch in hardwarelastigen Umgebungen.

Soweit, so gut. Warum Technologie häufig schneller ist als Organisation, habe ich bereits in Ausgabe 21 von „der Transformator“ beschrieben.

Technisch ist diese Evolutionsstufe heute also grundsätzlich möglich. Mir ist jedoch kein deutsches Unternehmen bekannt, das diesen Ansatz bereits vollständig und konsequent umgesetzt hat.

Trotzdem lohnt sich ein Blick nach vorne in Richtung Physical AI (Teil 4) – auch wenn diese Stufe in der Breite noch längst nicht erreicht ist.