Uneindeutigkeit im Engineering verschwindet durch KI nicht
Im Engineering beklagen wir seit Jahrzehnten unklare Anforderungen, späte Entscheidungen und Wissen, das in Köpfen steckt statt in Systemen. Trotzdem entstehen funktionierende und erfolgreiche Produkte. Das scheint also kein Widerspruch zu sein, sondern verweist auf einen Punkt, den wir in der KI Diskussion häufig übersehen:
Uneindeutigkeit ist im Engineering nicht nur ein Defizit. Sie kann funktional sein.
Gerade zu Beginn einer Entwicklung fehlen Daten, Zusammenhänge sind noch nicht verstanden und Entscheidungen würden den Lösungsraum möglicherweise zu früh einengen. Entwickler*innen halten deshalb Optionen offen. Führungskräfte verschieben Entscheidungen, weil Konsequenzen noch nicht ausreichend abschätzbar sind, Risiken nicht transparent sind oder die Vielzahl offener Punkte nicht auf der richtigen Entscheidungsebene ankommt.
Solche Muster sind nicht automatisch Ausdruck schlechter Organisation. Sie können eine Funktion erfüllen: Unsicherheit aushalten, Verantwortung vertagen, Optionen erhalten oder fehlende Entscheidungsreife kompensieren.
Bislang hatte Engineering dafür einen sehr wirkungsvollen Mechanismus:
Erfahrene Menschen haben die Kosten dieser Uneindeutigkeit weitgehend unsichtbar kompensiert.
Erfahrene Ingenieur*innen kennen Produkt, Kunden, Historie, typische Fehlerbilder und technische Wechselwirkungen. Sie erkennen, wenn eine Anforderung zwar nicht dokumentiert ist, aber faktisch existiert. Sie ergänzen fehlenden Kontext, hinterfragen Annahmen, erinnern sich an vergleichbare Fälle und treffen auf Basis unvollständiger Informationen trotzdem tragfähige Entscheidungen.
Diese Leistung taucht in keinem Prozessdiagramm auf. Sie steckt in Erfahrung, Kommunikation, Abstimmung und situativer Urteilskraft.
Hier genau verändert KI die Situation: KI-Werkzeuge treffen in realen Engineering Organisationen nicht plötzlich auf vollständige, konsistente und hervorragend strukturierte Daten. Die Vorstellung, Unternehmen würden zunächst ihre gesamte Wissensbasis bereinigen und anschließend KI einführen, halte ich (sorry) für unrealistisch.
KI wird deshalb mit derselben Uneindeutigkeit arbeiten müssen wie Menschen bisher.
Der entscheidende Unterschied liegt darin, wie mit den Lücken umgegangen wird.
Menschen erkennen häufig, dass ihnen Kontext fehlt. Sie fragen nach, zweifeln, vergleichen mit Erfahrungswissen oder holen weitere Personen hinzu. KI Systeme können fehlenden Kontext dagegen mit plausiblen Annahmen ergänzen. Das Ergebnis kann schlüssig wirken, obwohl relevante Informationen fehlen.
Damit verschwindet das Problem nicht, denn KI beseitigt die Kosten der Uneindeutigkeit nicht, sondern verschiebt sie entlang der Wertschöpfung.
Was bisher durch Erfahrung, Rückfragen, Abstimmung und implizites Wissen absorbiert wurde, kann nun an anderer Stelle wieder auftauchen: bei der Prüfung von Ergebnissen, in späteren Entscheidungen, in Rework, in zusätzlichen Iterationen oder im schlimmsten Fall erst beim Kunden.
Genau deshalb halte ich den blinden oder rein lokalen Einsatz von KI-Werkzeugen für riskant.
Wenn ein KI-Tool an einer Stelle Zeit spart, sagt das noch nichts darüber aus, ob der gesamte Engineering Prozess besser wird. Ein lokal plausibles Ergebnis kann in einem nachgelagerten Schritt zusätzlichen Aufwand erzeugen, falsche Annahmen verstärken oder Entscheidungen auf eine unsichere Grundlage stellen.
Das eigentliche Problem ist deshalb nicht, dass KI mit Uneindeutigkeit arbeitet.
Das Problem entsteht, wenn eine Organisation nicht weiß, wo diese Uneindeutigkeit anschließend wirksam wird.
Besonders kritisch wird es, wenn mehrere Faktoren zusammenkommen: KI-Werkzeuge werden punktuell eingeführt, ohne End-to-End Betrachtung. Ergebnisse werden übernommen, ohne Annahmen und Unsicherheiten sichtbar zu machen. Menschliche Prüfpunkte existieren zwar formal, sind aber nicht mit ausreichend Erfahrung, Zeit oder Entscheidungskompetenz ausgestattet.
Dann entsteht ein neues Muster:
KI erzeugt schnell einen plausiblen Vorschlag.
Der Vorschlag wird übernommen.
Darauf bauen weitere Prozessschritte auf.
Eine falsche Annahme wird weitergetragen.
Und je später sie erkannt wird, desto teurer wird ihre Korrektur.
Die Organisation wird dadurch nicht zwingend produktiver.
Sie kann lediglich schneller in die falsche Richtung laufen.
Geschwindigkeit ohne Urteilskraft und ohne End to End Verständnis ist kein Produktivitätsgewinn. Sie ist beschleunigte Fehlentwicklung.
Die zentrale Frage beim Einsatz von KI im Engineering sollte deshalb nicht lauten: Wo können wir ein KI Tool einsetzen?
Sondern:
Was passiert mit Unsicherheit, Uneindeutigkeit und fehlendem Kontext, wenn wir diesen Prozessschritt automatisieren?
Daraus folgen für mich vier Konsequenzen:
- KI-Einsatz muss immer End-to-End entlang der Engineering- Wertschöpfung betrachtet werden.
- Menschliche Entscheidungspunkte müssen dort bewusst gesetzt werden, wo Erfahrung, Kontext und Trade-offs relevant sind.
- KI sollte bei Unsicherheit nicht vorschnell eine eindeutige Antwort erzeugen, sondern Szenarien, Annahmen und Konsequenzen sichtbar machen.
- Anwender*innen müssen lernen, KI-Ergebnisse systematisch zu challengen und nicht nur effizient zu verwenden.
Und ja: Das hat auch Konsequenzen für Kompetenzen. Je stärker operative Tätigkeiten automatisiert werden, desto wichtiger werden Menschen, die technische Zusammenhänge verstehen, Annahmen hinterfragen und Entscheidungen verantworten können. Wer diese Kompetenz abbaut, verschärft das Problem zusätzlich.
Die entscheidende Erkenntnis ist für mich deshalb:
KI wird Uneindeutigkeit im Engineering nicht beseitigen. Entscheidend ist, ob Organisationen ihren Einsatz so gestalten, dass Unsicherheit sichtbar und beherrschbar bleibt, oder ob sie sie nur schneller durch den Prozess transportieren.
Und vielleicht macht KI dabei erstmals sichtbar, wie viel erfolgreiche Produktentwicklung bislang davon gelebt hat, dass erfahrene Menschen genau diese Uneindeutigkeit stillschweigend kompensiert haben.