Reid Hoffman — LinkedIn-Gründer, Milliarden-Investor bei Greylock und einer der einflussreichsten Köpfe im Silicon Valley — hat auf dem AI Action Summit in Paris im Februar 2025 einen Satz gesagt, der in Europa bis heute nachhallt:

"You look at AI as a World Cup football match between the U.S. and China. And if all Europe is trying to do is be the referee, there's two problems. One, they never win, and two, no one really likes the referee."

Das ist hart formuliert. Aber trifft einen wunden Punkt: Europa hat das Rennen um die großen Internetplattformen und KI-Basismodelle verloren. Nun hilft keinem der Blick in den Rückspiegel. Die viel interessantere Frage lautet: Was ist das nächste große Ding?

Die nächste Runde gehört der Industrie

Thomas Saueressig, Vorstandsmitglied bei SAP, hat im März 2026 in einem AFP-Interview eine mögliche Antwort darauf gegeben: "AI for use in industry is where I believe Europe can succeed big time around the globe — because of the industrial knowledge and the industrial data and competency we have in Europe." Also KI, die dort Wert schafft, wo Europa jahrzehntelang führend war: in der Fertigung, im Maschinenbau, in der industriellen Wertschöpfung. Die EU-Fertigungsindustrie erwirtschaftet 2,5 Billionen Euro jährlich und liegt damit nahezu gleichauf mit den USA (obwohl wir uns selbst meist viel kleiner fühlen).

Aufbruchstimmung — und ein blinder Fleck

Ich spreche seit Monaten mit Venture-Capital-Investoren, Inhabern großer Industriekonzerne, Geschäftsführern und führenden Professoren im Bereich Fertigungstechnik und KI. Bei aller Unterschiedlichkeit der Perspektiven nehme ich eines durchgängig wahr: Alle wollen in den Vorwärtsgang schalten. Allen globalen Verwerfungen zum Trotz. Die Frustration, technologisch hinterherzulaufen, hat sich in eine neue Entschlossenheit verwandelt — den Willen, europäische Industriekompetenz und KI so zusammenzubringen, dass daraus ein neuer, global wettbewerbsfähiger Wirtschaftszweig entsteht.

Aber was heißt denn jetzt konkret "KI mit Ingenieur- und Industriewissen zusammenbringen"? Immer wieder fallen in diesem Kontext dieselben Begriffe: Knowledge Graph. RAG. GNN. Digital Thread. Agentic AI. Alles ziemlich mächtige Ansätze, aber für viele operativ verantwortliche Führungskräfte und Mitarbeiter in der Industrie auch ziemlich abstrakt. Viele fragen mich: "Was bedeutet das konkret für meine Arbeit bzw. mein Unternehmen?".

Darauf möchte ich in diesem Beitrag eingehen. Ich werde diese Konzepte — Knowledge Graph, Digital Thread, GNNs, RAG, etc. — an einem Industriebeispiel erklären: der automatisierten Erstellung von Arbeitsplänen.

Warum es sich lohnt, sich mit dem Thema Arbeitsplanerstellung zu befassen

In der Varianten- / Auftragsfertigung beginnt nach jedem Auftragseingang derselbe manuelle Prozess: Die Konstruktion übergibt ein CAD-Modell und meistens zusätzlich eine 2D-Fertigungszeichnung — und das Industrial Engineering muss daraus einen vollständigen Arbeitsplan erstellen. Der Prozess ist personalintensiv, bindet erfahrene Fachkräfte über Stunden pro Bauteil und bestimmt maßgeblich die Durchlaufzeit und die Produktkosten. Denn was in der Planung in den Brunnen fällt, kann später auf dem Shopfloor auch von noch so engagierten Mitarbeitern nicht mehr gerettet werden.

Ein 3D-Modell, eine Zeichnung und viel Erfahrung

Weil wir als Ingenieure (glücklicherweise) darauf trainiert sind, erst das Problem zu verstehen und dann die Lösung zu entwickeln, hier meine Erfahrung, wie häufig (vor allem bei Sondervarianten) gearbeitet wird:

Die Konstruktion übergibt ein 3D-Modell und eine 2D-Zeichnung an das Industrial Engineering. Das 3D-Modell beschreibt die Geometrie eines Bauteils: Flächen, Kanten, Krümmungen, räumliche Beziehungen. Was es meistens nicht enthält, ist Fertigungsinformation. Das Modell zeigt, wie das Teil aussieht — aber nicht, wie es hergestellt wird. Technisch wäre es möglich, Toleranzen, Oberflächengüten und Fertigungsanforderungen direkt im 3D-Modell zu hinterlegen — den Standard dafür gibt es. In der Praxis leiten die allermeisten Unternehmen aber nach wie vor 2D-Zeichnungen aus dem Modell ab und ergänzen Fertigungsanforderungen manuell. Das Ergebnis: Die fertigungsplanerisch relevantesten Informationen stehen auf einem Dokument, das maschinell nicht ohne weiteres weiterverarbeitet werden kann. Ob eine zylindrische Vertiefung eine Bohrung ist, die gerieben werden muss, oder ein Durchgang, der nur gebohrt wird, entscheidet nicht die Geometrie, sondern die Toleranz auf der Zeichnung und die Erfahrung des Planers.

Hier beginnt die Arbeit des Arbeitsvorbereiters / Industrial Engineers. Er öffnet das 3D-Modell, legt die 2D-Fertigungszeichnung daneben und beginnt, die Fertigungsmerkmale zu identifizieren: Bohrungen, Taschen, Fasen, Freistiche, Gewinde. Für jedes Merkmal bestimmt er das Fertigungsverfahren, die Maschine, die Werkzeuge und die Reihenfolge. Dabei greift er auf Erfahrung zurück: Hat er ein ähnliches Teil schon einmal geplant? Gibt es im ERP einen vergleichbaren Arbeitsplan? Das macht er ohne Systemunterstützung — er durchsucht den Auftragsbestand nach Erinnerung, nach Artikelnummern oder nach Freitextbeschreibungen. Was er findet, interpretiert er, passt es an und überträgt die Ergebnisse manuell ins ERP: Arbeitsvorgänge, Maschinenarbeitsplätze, Vorgabezeiten, Rüstzeiten.

Damit hat dieser Prozess fünf Eigenschaften, die ihn strukturell schwer skalierbar machen. Erstens: CAD-Modelle enthalten keine Fertigungssemantik — die Erkennung von Merkmalen aus der reinen Geometrie ist eine intellektuelle Leistung des Planers. Zweitens: Toleranz- und Qualitätsangaben stehen überwiegend auf 2D-Zeichnungen und sind damit nicht maschinenlesbar. Drittens: Das Fertigungswissen — welches Merkmal auf welcher Maschine, in welcher Reihenfolge, mit welchem Werkzeug — ist implizites Erfahrungswissen, nirgends formalisiert. Viertens: Die Suche nach ähnlichen Referenzteilen basiert auf dem Gedächtnis des Planers, nicht auf systematischer Ähnlichkeitsanalyse. Und fünftens: Es gibt keine Durchgängigkeit zwischen CAD und ERP — jede Information wird händisch übertragen, bei jeder Variante neu.

Warum traditionelle Lösungen nicht zu einer durchgängigen Automatisierung in der Lage sind

Wer sich als Arbeitsvorbereiter fragt, warum ihm die vorhandenen Softwarewerkzeuge nicht mehr Arbeit abnehmen, stößt schnell auf mehrere strukturelle Probleme:

Das erste Problem ist die CAD-Systemlandschaft. Die leistungsfähigste kommerzielle Merkmalserkennung funktioniert nur auf dem nativen CAD-Modell des jeweiligen Herstellers. Dort erkennt das System parametrische Features: eine Bohrung, die als Bohrung modelliert wurde, eine Tasche, die als Tasche angelegt wurde. Sobald aber eine STEP-Datei aus einem Fremdsystem eingeht, sind diese parametrischen Informationen verloren. Was beim Import ankommt, ist rohe B-Rep-Geometrie: Flächen, Kanten, Volumenkörper, aber kein Feature-Baum, kein Design Intent, keine Semantik. Die Erkennungslogik, die im nativen Format funktioniert, bricht auf STEP-Importen zusammen. In vielen Unternehmen kommt hinzu, dass an verschiedenen Standorten unterschiedliche CAD-Systeme im Einsatz sind — NX hier, SOLIDWORKS dort, CATIA am dritten Standort. Eine Lösung, die nur im eigenen CAD-Ökosystem funktioniert, deckt damit bestenfalls einen Bruchteil der realen Teile ab.

Das zweite Problem ist die Erkennungsqualität. Auch dort, wo Merkmalserkennung prinzipiell möglich ist, arbeiten alle kommerziellen Systeme regelbasiert: Die Software sucht in der Geometrie nach vordefinierten Mustern — Zylinder mit bestimmtem Tiefe-Durchmesser-Verhältnis wird als Bohrung klassifiziert, rechteckige Vertiefung als Tasche. Bei einfachen, isolierten Merkmalen funktioniert das. Sobald aber Merkmale einander überlagern oder geometrisch interagieren — eine Bohrung, die durch eine Tasche verläuft, sich überschneidende Zerspanungsoperationen, Merkmale mit Toleranzkaskaden —, versagen diese Regelwerke. Das ist kein Rand-, sondern der Normalfall bei realen Zerspanungsteilen. Für den Arbeitsvorbereiter bedeutet das: Er kann sich auf die automatische Erkennung nicht verlassen, muss jeden Vorschlag manuell prüfen und nacharbeiten — und landet damit wieder beim manuellen Prozess.

Und das dritte Problem ist das grundlegendste: PLM-Systeme bieten zwar geometrische Ähnlichkeitssuche — sie vergleichen Bauteilformen und finden optisch ähnliche Teile. Aber sie vergleichen nicht Fertigungsanforderungen. Ein Teil mit Toleranzklasse H7 erfordert Reiben oder Schleifen, dasselbe Teil mit H11 nur Bohren — für eine Formsuche sind beide identisch. Und kein heute verfügbares System lernt aus dem, was das eigene Unternehmen in der Vergangenheit tatsächlich gefertigt hat. Die historischen Arbeitspläne im ERP — Tausende von Datensätzen, die dokumentieren, welches Merkmal auf welcher Maschine, mit welchem Werkzeug, in welcher Reihenfolge gefertigt wurde — bleiben ungenutzt.

Keine der am Markt verfügbaren Lösungen automatisiert den gesamten Prozess: von der STEP-Datei über robuste Merkmalserkennung, Toleranzauswertung und unternehmenseigenes Fertigungswissen bis zum ERP-konformen Arbeitsplan. Genau diese Lücke ist der Grund, warum der Arbeitsvorbereiter heute noch viele Teile manuell plant.

Was hat das jetzt mit Knowledge Graph, RAG, Digital Thread, GNN und Agentic AI zu tun?

Der Ausgangspunkt bleibt: Ein 3D-CAD-Modell geht ein. Aber statt dass ein Arbeitsvorbereiter das Modell öffnet und Merkmal für Merkmal manuell plant, wird eine automatisierte Pipeline durchlaufen.

Die erste Stufe löst das Problem, das regelbasierte Systeme nicht lösen können: die Erkennung von Fertigungsmerkmalen aus der rohen Geometrie. Dafür kommen Graph Neural Networks zum Einsatz — neuronale Netze, die direkt auf der Struktur des CAD-Modells arbeiten. Ein CAD-Modell ist im Kern ein Netz aus Flächen, Kanten und deren Beziehungen. Ein Graph Neural Network lernt aus tausenden annotierten Beispielteilen, welche Muster einer Bohrung entsprechen, welche einer Tasche, welche einer Fase — auch wenn sich Merkmale überlagern oder gegenseitig beeinflussen. Und es arbeitet direkt auf STEP-Dateien, unabhängig vom CAD-System. Aber auch die besten neuronalen Netze erkennen nicht jedes Merkmal fehlerfrei — gerade bei ungewöhnlichen Geometrien oder Teilen, die sich stark von den Trainingsdaten unterscheiden. Deshalb ist es entscheidend, dass die Pipeline an den richtigen Stellen Human-in-the-Loop vorsieht: Das System gibt an, wie sicher es sich bei jeder Erkennung ist. Wo die Konfidenz unter einen Schwellenwert fällt, wird der Arbeitsvorbereiter gezielt eingebunden — nicht für alles, sondern nur in komplexen Sonderfällen. Im Vergleich zum Status quo mit rein regelbasierten Systemen wird der Arbeitsvorbereiter aber viel seltener eingebunden. Sein manueller Aufwand sinkt extrem.

Parallel dazu werden die Fertigungsangaben extrahiert — Toleranzen, Oberflächengüten, Passungen. Liegt eine moderne STEP-AP242-Datei vor, sind sie maschinenlesbar im Modell hinterlegt. Im häufigeren Fall — eine 2D-Fertigungszeichnung — übernimmt ein Vision-Language-Modell die Extraktion: ein KI-System, das technische Zeichnungen lesen kann wie ein Mensch, aber automatisiert. Es erkennt Toleranzfelder, GD&T-Symbole und Oberflächenangaben und ordnet sie den Merkmalen zu. Das Ergebnis: Für jedes Fertigungsmerkmal liegt fest, welche Qualitätsanforderungen gelten. Auch hier wird es spezifische Fälle geben, bei denen einzelne Zeichnungsinhalte nicht sauber erkannt werden können und der Arbeitsvorbereiter eingebunden werden muss. Aber aus stundenlangem Zeichnungslesen werden wenige Minuten gezieltes Feedback.

Die nächste Stufe betrifft das Fertigungswissen. Hier kommt der Knowledge Graph ins Spiel — vereinfacht gesagt eine maschinenlesbare Wissenslandkarte. Er verbindet drei Informationswelten, die heute in Silos liegen: die erkannten Merkmale aus dem CAD-Modell, die Fertigungsangaben von der Zeichnung und die historischen Arbeitspläne aus dem ERP-System. Letztere enthalten das materialisierte Erfahrungswissen des Unternehmens — welches Merkmal auf welcher Maschine, mit welchem Werkzeug, in welcher Reihenfolge gefertigt wurde. Aber dieses Wissen steckt in Freitextbeschreibungen, inkonsistenten Zeitangaben und betriebsindividuellen Nummernkreisen. Große Sprachmodelle — LLMs, die Technologie hinter ChatGPT (die auch lokal betrieben werden können, so dass sichergestellt ist, dass Wissen nicht das Unternehmen verlässt) — übernehmen den Löwenanteil dieser Erschließung: Sie extrahieren aus kryptischen Freitextfeldern strukturiertes Fertigungswissen und überführen es in den Knowledge Graph. Aber — und das ist ein wichtiger Punkt — der Knowledge Graph entsteht nicht auf Knopfdruck. Er wächst iterativ: KI extrahiert, Fertigungsfachleute validieren und korrigieren, und mit jedem Durchlauf wird das Modell präziser. Der entscheidende Unterschied zum klassischen Stammdatenprojekt ist nicht, dass kein Mensch mehr draufschaut — sondern dass man in Tagen statt Jahren zu einem nutzbaren Ergebnis kommt. Und nebenbei passiert Folgendes: Das implizite Erfahrungswissen der besten Arbeitsvorbereiter — Wissen, das bisher nur in den Köpfen einzelner Mitarbeiter existiert — wird systematisch in eine maschinenlesbare Wissensstruktur überführt. Hier zeigt sich der wesentliche Unterschied zur Internetökonomie: Es ist nicht allein damit getan, sich an Systeme anzuschließen, Daten automatisiert zu analysieren und Modelle zu trainieren. Der Knowledge Graph ist für den Arbeitsvorbereiter langfristig die tiefgreifendste Komponente: Fertigungswissen ist auf Knopfdruck verfügbar und kann von KI-Modellen automatisiert weiterverarbeitet werden. Kein traditioneller Ansatz ist bisher dazu in der Lage. Ein großer Teil der Arbeitszeit entfällt bisher auf die Suche nach Informationen. Hier sind immense Zeiteinsparungen möglich. Ein weiterer Aspekt: Kommt es in der Fertigungsplanung zu Fehlern, führt das zu hohen Folgekosten auf dem Shopfloor. Durch den Einsatz von Knowledge Graphen lassen sich diese Fehler deutlich reduzieren.

Auf dieser Wissensbasis arbeitet die Ähnlichkeitssuche — und hier wird der Begriff RAG konkret. RAG steht für Retrieval Augmented Generation: Bevor eine KI eine Entscheidung trifft, sucht sie in dem Knowledge Graph nach relevanten Referenzfällen. Für ein neues Bauteil durchsucht das System den gesamten historischen Teilebestand — nicht nach Bauteilform, sondern nach Fertigungsmerkmalen, Toleranzen, Werkstoff und verfügbarem Maschinenpark. Die Frage ist also nicht "Sieht das Teil ähnlich aus?", sondern "Wurde ein vergleichbares Merkmal schon einmal ähnlich gefertigt?". Dies sorgt für eine deutlich bessere Ergebnisqualität der Sprachmodelle und führt zur notwendigen Akzeptanz der Ergebnisse durch den Arbeitsvorbereiter. Denn nur wenn der Mensch den KI-Ergebnissen vertrauen kann, wird er sie auch in seinem Arbeitsalltag nutzen.

Aus dem besten Referenzfall wird automatisch ein Arbeitsplan abgeleitet: Arbeitsvorgänge, Maschinenplätze, Vorgabezeiten, Rüstzeiten — im Format des betrieblichen ERP-Systems, direkt importierbar. Wo das Anfrageteil vom Referenzteil abweicht, passt das System die betroffenen Positionen gezielt an und dokumentiert jede Anpassung. Das ist der Digital Thread in der Praxis: ein durchgängiger Datenfaden von der CAD-Datei bis zum ERP-Arbeitsplan. Die Zeit für manuelle Datenübertragung entfällt. Wo das System unsicher ist — etwa weil kein ausreichend ähnliches Referenzteil existiert —, markiert es die Stelle zur Prüfung. Der Arbeitsvorbereiter ergänzt gezielt die Lücken, statt den gesamten Plan von Grund auf zu erstellen.

Was ich gerade beschrieben habe — ein System, das eigenständig mehrere spezialisierte KI-Komponenten orchestriert, bei jedem Schritt Entscheidungen trifft und bei Unsicherheit den Menschen einbindet — ist das, was als Agentic AI bezeichnet wird. Nicht ein einzelnes Modell, das eine Aufgabe löst, sondern ein Zusammenspiel von Agenten, die einen komplexen Prozess durchlaufen: erkennen, extrahieren, verknüpfen, suchen, ableiten, prüfen. Die letzte Komponente, um aus einem Automatisierungsgrad von unter 20 % einen von weit über 80 % zu machen — und damit Kosten und Durchlaufzeit massiv zu reduzieren.

Was bedeutet das für Praktiker? Es bedeutet, dass zum ersten Mal mehrere Dinge möglich werden, die bisher strukturell ausgeschlossen waren. Erstens: Das akkumulierte Erfahrungswissen der besten Arbeitsvorbereiter wird formalisiert und für jeden im Unternehmen nutzbar — unabhängig davon, wer gerade verfügbar ist oder wann jemand in Rente geht. Zweitens: Ein Unternehmen kann aus seinen eigenen historischen Daten lernen — nicht aus Branchendurchschnitten, sondern aus dem, was es selbst auf seinen Maschinen gefertigt hat. Und drittens: Der Arbeitsplan entsteht nicht mehr von Grund auf, sondern als geprüfter, angepasster Vorschlag — die Arbeitsvorbereitung verschiebt sich von stark repetitiven Aufgaben hin zu komplexen Neuplanungen und dem Training von KI-Modellen.

Wir werden nicht der Schiedsrichter sein, der von der Sideline aus zuschaut

Die automatisierte Arbeitsplanerstellung ist ein konkretes, spitzes Beispiel. Aber es steht stellvertretend für ein viel größeres Feld: CAD-/PLM-Abfragen, Zeichnungsableitungen, Änderungsbegründungen, Spezifikationen, Prüfpläne, NC-/CAM-Vorbereitung, P&ID-/EPLAN-nahe Dokumentation, Design-for-Manufacturing-Feedback, Variantenkonfiguration, Stücklistengenerierung, Angebotserstellung, Herstellkostenkalkulation — im Technischen Vertrieb, Engineering und Industrial Engineering liegt enormes unerschlossenes Potenzial, das mit denselben Methoden gehoben werden kann. Es gibt eine große Chance, dass dieses Potenzial von europäischen Unternehmen erschlossen wird.

Mir ist bewusst, dass ich in diesem Beitrag eine gewisse Portion Optimismus zeige. Es gibt nicht wenige, die sagen, dass das Rennen in vielen Bereichen für Europa längst gelaufen ist. Aber genau das ist die Haltung, mit der man weder im Sport noch in der Wirtschaft gewinnt. Europäische Ingenieure und Unternehmer haben die Automobilindustrie aufgebaut, den modernen Maschinenbau begründet und die Medizintechnik an die Weltspitze geführt. In keinem dieser Fälle war der Erfolg vorprogrammiert. In jedem war er das Ergebnis davon, dass Menschen Vollgas gegeben haben. Industrielle KI kann eines der nächsten dieser Felder werden. Und Europa hat alles, was es braucht, um es zu gewinnen. Reid Hoffman hat Europa den Schiedsrichter genannt, der nie gewinnt. Wir werden ihm das Gegenteil beweisen.