Europe 
Türkiye 
United Kingdom 
Global 
Anmeldung mit meinem Xometry-Konto 
Unser Gespräch mit Luca Licciulli, CEO und Mitbegründer von NEOCAD, drehte sich darum, was die Plattform macht, wie sie in ein bestehendes CAD- oder PLM-System passt, für wen sie eigentlich entwickelt wurde und wohin es mit der neuen Technologie noch geht.
Kein Weg Um die Richtigen Dateien zu Finden
Was war das Problem, das Sie lösen wollten?
Vier oder fünf Jahre lang habe ich über meine vorherige Firma, VRtualize, mit verschiedenen Herstellern zusammengearbeitet. Es war ein Softwarehaus mit dem Fokus auf KI und immersive Technologien, das ich 2021 gegründet hatte. In der direkten Zusammenarbeit mit Ingenieuren und Technikern sahen wir immer wieder dieselbe Sache. Der Maschinenbau steckt voller sich wiederholender, geringwertiger Aufgaben.
In den meisten produzierenden Unternehmen, insbesondere auf dem europäischen Markt, auf den wir uns konzentrierten, verbrachten Ingenieure sehr viel Zeit damit, nach alten Informationen zu suchen und sie sich dann aus den unternehmenseigenen Wissensdatenbanken zu beschaffen. Software wie CAD oder PLM half den Ingenieuren in keiner Weise dabei, alte Dateien zu finden, technische Dokumente zu überprüfen, Revisionen zu vergleichen oder gewisse Einschränkungen zu verstehen. Jedes Mal, wenn ein Ingenieur also etwas von Grund auf neu erstellen wollte, ging die geringwertige Aufgabe voraus, die Informationen und Dateien, die er dafür benötigte, erst einmal zu finden, bevor er überhaupt an eine Zeichnung denken konnte.
Einfach ausgedrückt, war das Problem, dass viele dieser Firmen zwar eine unglaubliche Menge an Wissen hatten, es aber äußerst frustrierend und schwierig war, es auch anzuwenden.
Das Wissen ist da, aber die Unternehmen können es nicht erreichen.
Ja, sie haben die Daten, sie haben das Wissen. Aber im Maschinenbau, und auch in der Konstruktion und Fertigung im Allgemeinen, war die Legacysoftware schon immer sehr verschlossen. In Europa findet sich die meiste CAD-Software immer noch nicht in der Cloud, ist immer noch lokal, im Inneren der Unternehmen verortet, weil sie, und das bereits seit 20 Jahren, sehr große Angst davor haben, ihre Daten zu teilen. So ist es selbst für neue Tools, und von ihnen gab es nicht sehr viele, sehr schwierig, auf diese Daten überhaupt zuzugreifen und daraus neue Lösungen zu bauen.
Mit der Hilfe generativer KI waren wir dann endlich in der Lage, einen Orchestrator zu entwickeln, der native 3D-Modelle und all das technische Know-how des Unternehmens verstand, und damit den gesamten technischen Arbeitsprozess eines Ingenieurs beschleunigen konnte.
Konnte jemand, mit dem Sie gesprochen haben, Ihnen eine konkrete Zahl für den Effizienzverlust nennen?
Ja, es waren um die 40% der Zeit, die vergeudet wurde. Es variierte von Branche zu Branche, da auch jede etwas andere Abläufe hatte, aber dort wo unser Fokus lag, im Bereich Automobilbau und Automation, gingen 40% direkt in das Erstellen von Kopien und die Suche nach Dateien.
Eine andere Sache war es, dass sie zwar oft eine Datei fanden, die mehr oder weniger dem entsprach, was sie machen wollten, aber es eigentlich gar nicht so wirklich perfekt für die tatsächlichen Bedürfnisse geeignet war. Was die KI hier mitbrachte, war, dass sie damit aufhören konnten, nach den Dateinamen und den Teilnummern zu suchen, und stattdessen danach suchten, was die Teile eigentlich taten. Wenn ein Tool ein Modell anhand seiner Geometrie und Funktion finden kann, statt anhand dessen, was in der PLM-Beschreibung steht, dann ist das, woher der Unterschied kommt.
Wie haben Unternehmen versucht, dies vor dem Einsatz von KI zu lösen?
Das unterschied sich von Unternehmen zu Unternehmen. Das erste Problem ist, dass PLMs nicht ausreichen, um ein 3D-Teil zu zentralisieren, und all die anderen technischen Dokumente dazu noch in verschiedener anderer Software sitzen oder, wie Sie es sagten, auf Papier. Vor der KI, war der größte Player Cadenas, die 1992 gegründet wurden. PARTsolutions deckt normierte, zuliefererbezogene und firmenspezifische Teile durch eine Suche nach geometrischen Ähnlichkeiten ab, tat dies aber mit einem vor-KI-Ansatz: man klassifizierte und kennzeichnete (taggte) die Teile im Voraus und suchte nach Attributen. Was sich mit LLMs geändert hat, ist, dass diese danach suchen, was ein Teil tatsächlich macht, in natürlicher Sprache, und ohne dass vorher Arbeit erledigt werden muss. Ganz zum großen Vorteil des Ingenieurs.
Die KI hat dies in den letzten Jahren zugänglich gemacht, und jetzt versucht natürlich jeder, eine eigene KI für CAD zu bauen. Dabei liegt das Hauptproblem im Moment bei der Reife der generativen KI-Modelle hinter unserem Produkt und den Produkten unserer Mitbewerber, denn in anderen Bereichen kann man auch mit ein paar Fehlern erfolgreich sein, Präzision ist im Maschinenbau unumgänglich. Selbst der kleinste Fehler kann das eigene Tool nutzlos machen.
Eine Intelligente Ebene oberhalb von CAD und PLM
Was ist NEOCAD?
Wir sind eine KI-Plattform für Maschinenbauingenieure. Man kann sich uns als eine intelligente Ebene oberhalb der CAD- und PLM-Systeme vorstellen, die die technische Dokumentation, und darüber hinaus, auch alle 3D-Modelle von Fertigungsunternehmen zentralisiert. Unser Ziel ist es Ingenieuren dabei zu helfen, CAD-Modelle nicht nur zu suchen, zu verstehen und wiederzuverwenden, sondern eventuell auch dabei, sie zu generieren oder zu modifizieren.
Wo findet diese Zentralisierung statt, und welche Formate können Sie verarbeiten?
Wir haben Verbindungselemente für fünf der wichtigsten CAD-Pakete entwickelt, darunter NX, Inventor und Solidworks, sowie die wichtigsten PLM-Systeme wie Teamcenter und Windchill. Wir sind in der Lage, native 2D- und 3D-Zeichnungen sowie PDF-Dokumente zu lesen. Der Unterschied liegt eher darin, wie wir mit 3D-Modellen umgehen. Wir installieren dazu unsere Software auf den Systemen der Kunden und wandeln das gesamte Modellarchiv zügig in eine KI-lesbare Form um. Dieser Teil ist zum Patent angemeldet, weshalb das leider alles ist, was ich dazu sagen kann.
Sagen wir, ich suche nach einer bestimmten Welle. Wie kann ich sie unter tausenden ähnlichen Wellen finden?
Innerhalb eines 3D-Modells muss man dazu verschiedene Faktoren in Betracht ziehen. Man zuerst einmal die Abmessungen, dann die Geometrie, die Beschreibung im PLM und den Merkmalsbaum, in dem das Teil erstellt wurde. Ist man in der Lage, alle vier auszulesen, kann man das Modell anhand der Konstruktionsmethode, der tatsächlichen Abmessungen und der tatsächlichen Geometrie unterscheiden. Damit, und falls man KI richtig einsetzt, kann man die richtige Welle aus tausenden ähnlicher Wellen in einer Datenbank auswählen.
Gibt die KI dann eine einzelne Welle oder eine Liste zur Auswahl aus?
Sie gibt die Ähnlichsten an, was eine sein kann, oder mehrere. Findet man nicht genau das, was man sucht, es gibt jedoch etwas Ähnliches, so zeigt das Tool das an.
Sie erwähnten auch die Erzeugung neuer Teile. Ist das bereits nutzbar, oder noch Teil der Roadmap?
Es ist in Arbeit. Wir führen Pilotprojekte zur (KI-gestützten) Erzeugung von Modellen mit großen Industriekunden durch, aber hier investieren wir nicht den größten Teil unserer Energie. Die generativen KI-Modelle entwickeln sich an dieser Front rasant, sie sind jedoch eine Welle, auf der wir reiten wollen, und kein Rennen, an dem wir uns beteiligen möchten. Unser Vorsprung liegt woanders – das vorhandene Know-how des Unternehmens nutzbar machen. Sobald diese Grundlage vorhanden ist, wird die Generierung zu einem Feature, und nicht zum Produkt selbst.
Wir erwarteten in der Tat, dass Claude oder GPT irgendwann einen Connector für Fusion herausbringen würden, und jetzt ist genau das eingetreten. Wir wissen, dass wir mit diesen Akteuren nicht konkurrieren können, weshalb es besser ist, der Evolution dieser Modelle zu folgen und uns dadurch hervorzuheben, dass wir uns auf das konzentrieren, was die Maschinenbauunternehmen gerade benötigen.
Welchen Komplexitätsgrad streben Sie denn für das Generierungsmodell an?
Generative Modelle, und ich rede hier nicht nur von uns, werden auch komplexe Baugruppen übernehmen können. Ich bin mir nicht sicher, wie weit genau das noch weg ist, aber der Fortschritt ist exponentiell. Als wir vor anderthalb Jahren mit Text-zu-CAD anfingen, ist die Evolution im Vergleich zu heute unglaublich. Die Technologie reifte weit genug, um an komplexen Baugruppen zu arbeiten und unternehmensorientiert zu agieren.
Aber ich denke nicht, dass der große Unterschied bei den generativen Modellen liegen wird. Sobald man das erste Problem im Griff hat – das Zentralisieren des Know-hows –, ist der wahre Gewinner der Akteur, der diese Zentralisierung des Know-hows anbietet, während er einen Orchestrator für verschiedene Arbeitsumgebungen aufbaut. Nicht nur für CAD-Software, sondern auch für Simulationen, CAM und so weiter. Je anpassungsfähiger ein solches Tool für ein Unternehmen sein kann, umso besser ist es, denn wenn Sie sich 1.000 Fertigungsunternehmen in Italien mit der gleichen Größe ansehen, so nutzen sie alle die gleichen Werkzeuge, aber in komplett unterschiedlichen Prozessen. Ein adaptiver Orchestrator, der mit mehreren Tools umgehen kann, während er den Wissensfundus zentralisiert, ist das, was die Ingenieure tatsächlich benötigen. Wenn ich an KI für das Ingenieurwesen denke, dann sehe ich einen Orchestrator, nicht etwas, das nur in CAD funktioniert.
Gemacht für KMU
Ihre Kunden sind hauptsächlich in der Automobil- und Automatisierungstechnik tätig. Welches Problem hat sie zuerst zu Ihnen gebracht?
Das ist tatsächlich in jedem Fall anders. Bei den Automobilunternehmen kam der Bedarf an der Zentralisierung des Wissens erst später. Sie sind sehr groß und wollten selbst den kleinsten Prozessschritt beschleunigen, also kamen sie, zum Beispiel zu uns, um den Fehler in einer Baugruppe zu finden, in der es eine Menge an normierten Teilen gibt.
In der Automatisierung hatten wir mit verschiedenen kleinen und mittleren Unternehmen zusammengearbeitet, und dort hatten wir sofort das Problem mit der Wissensdatenbank, das ich vorhin beschrieben hatte, erkannt. Das Problem bleibt auch bei mittleren bis großen Unternehmen vergleichbar. Wenn man aber anfängt, mit multinationalen Unternehmen und Konzernen zu arbeiten, muss man sich anderen Problemen stellen, und die Arbeit wird deutlich individueller.
Wer braucht das denn eigentlich? Eine Werkstatt mit zwei Personen hat sehr wenige Daten, und jedes Projekt ist im Grunde neu.
Es ist also im Moment sicherlich nichts für ein Startup, aber es ist im Grunde eigentlich keine Frage der Unternehmensgröße, sondern der Datenbankgröße. Es ist also eher für reifere Unternehmen, die viel Wissen in ihren Datenbanken haben. Wir entwickelten das Tool dabei speziell für den italienischen und deutschen Markt, weil wir diese gut kannten, und der italienische Markt ist, gerade in der Fertigung, voller kleiner und mittlerer Unternehmen (KMU). Hier ist quasi jeder ein KMU. Das Problem ist aber für mittlere bis große Unternehmen das gleiche. Manchmal hat ein Unternehmen mehrere kleine Unternehmen gekauft und versucht, die erworbenen Wissensdatenbanken zu zentralisieren, und dann tritt natürlich das gleiche Problem auf. Bei den größeren Unternehmen ist es ein klein wenig anders, und die Art, wie man mit ihnen arbeitet, ist sehr viel individueller. Das Tool wurde hingegen für kleine und mittlere Unternehmen entwickelt.
Wer unterschreibt denn den Vertrag, und wer öffnet dann jeden Morgen das Tool?
In der Regel ist es ein technischer Direktor, der das Tool anfordert, weil er den Überblick über die Wissensdatenbank und die technische Dokumentation des Unternehmens hat. Also unterschreibt er den Vertrag nach einer Menge gebotener Sorgfalt aus der IT-Abteilung.
Der erste Nutzer ist er dann aber eher nicht. Es ist der Junior-Maschinenbauer, insbesondere der gerade vor zwei Wochen an Bord gekommen ist, und noch nichts über das Unternehmen weiß. In diesen Unternehmen wechseln die Mitarbeiter schnell, und sie haben schon seit einiger Zeit nach Möglichkeiten gesucht, ihre Wissensgrundlagen zu transferieren. Der zweite Faktor dafür ist, dass dadurch alteingesessene Mitarbeiter eher selten und dann meist sehr beschäftigt sind. Wenn man sie also ein wenig entlasten kann, können sie sich auf Innovationen und andere Teile ihrer Arbeit konzentrieren.
Was war das Überraschendste, was Ihnen Ihre Kunden erzählt haben?
Was uns am meisten überrascht hat, war die CAD-bezogene Intelligenz. Die Fähigkeit des Tools, 3D-Modelle nativ zu lesen, haben wir durch unsere Kunden entdeckt. Wir hatten die Plattform auf ihrem CAD konstruiert, um ihr Unternehmens-Know-how zu zentralisieren. Sie tat auch bereits ihren Job, indem sie die richtigen 3D-Modelle über die Datenbank und die PLMs hinweg entdeckte. Dann rief uns ein Kunde an und sagte: „Ich habe das Teil gefunden, ich konnte aber auch nachvollziehen, wie es konstruiert war und welches Bauteil am besten dazu passt.“
Wir hatten das überhaupt nicht erwartet, weil wir uns nur darauf fokussiert hatten, die richtige Komponente oder Baugruppe zu finden. Die Überraschung war, dass das Tool einen Ingenieur bei der Konstruktion selbst unterstützen konnte, und nicht nur bei der Suche. Das geschieht, wenn man dem Modell den richtigen Kontext gibt, und das ist es eigentlich, was wir den Maschinenbauingenieuren und den LLMS gleichermaßen geben wollen. Es ist nicht einfach. Wenn Sie mal ein Maschinenbauingenieur waren, dann wissen Sie, wie geschlossen diese Systeme sind.
Preise und Vor-Ort-Bereitstellung
Was kostet es?
Wir haben, sowohl für persönliche als auch für variable Lizenzen, einen Festpreis plus eine Einrichtungsgebühr während der Installation. Sie richtet sich je nach dem, was sich im Unternehmen befindet.
Hängt der Preis von der Datenmenge oder von der Art der Daten ab?
Die Datenmenge, insbesondere die 3D-Modelle, sind es, die die bei der Installation aufgewendete Zeit bestimmen, weshalb der Preis dies auch widerspiegelt. Der Teil, der jedoch die meiste Zeit benötigt, ist die Analyse der technischen Dokumentationsunterlagen, wie sie erstellt wurde und wo sie sich befindet. Denn auch das Unternehmen weiß oft nicht, wo sie sich befinden, weshalb wir sie erst einmal mit ihnen finden müssen.
Diese Unternehmen haben seit 20 oder 30 Jahren mit ihren Wissensdatenbanken gerungen. In Italien gibt es Unternehmen mit 40 Jahren an 2D- und 3D-Modellieren, die jetzt versuchen, sich zu verbessern. Das ist nicht einfach, aber wenn man es richtig macht, dann sieht man den Unterschied deutlich gegenüber einem einfachen LLM, das mit ihrem Fusion verbunden ist.
CAD als geistiges Eigentum, das aus dem Gebäude spaziert, ist eine der größten Ängste. Kann NEOCAD lokal ausgeführt werden?
Das Tool ist lokal, also vor Ort. Der einzige Teil, der in der Regel in der Cloud des Kunden sitzt, ist die KI. Wir nutzen kommerzielle LLM, und das verbergen wir auch nicht. Wir haben versucht, Open-Source-Modelle direkt auf den Geräten der Kunden zu betreiben, aber als Start-up mit zehn Mitarbeitern haben wir nicht die Ressourcen, lokale Modelle in jedem Unternehmen zu verwalten.
Für die meisten kleinen und mittleren Unternehmen ist es kein Problem, unser System hereinzulassen, solange wir nur auch vor Ort bleiben, und wir trainieren unsere Modelle auch nicht mit ihren Daten. Ein lokaler Betrieb ist nicht die passende Lösung für jeden, aber Open-Source-Modelle zu verwalten, ist für uns aktuell einfach nicht realisierbar. Diesen Weg zu gehen würde uns zudem den Vorteil der kommerziellen Modelle kosten, die sich alle paar Monate drastisch verbessern.
Wie sieht die Bereitstellung aus, wenn man vom Tag ausgeht, an dem ich Ja sage, bis es dann bereit für den Einsatz ist?
Zuerst fragen wir, was Ihr System ist, Ihre CAD-Software, Ihr PLM, falls Sie denn eines haben, was auch nicht jedes Unternehmen hat, und Sie wären überrascht darüber, und Ihr ERP, wenn Sie Ihre technische Dokumentation dort aufbewahren. Wir sprechen dann mit der IT-Abteilung, um den Zugang zu erhalten, den wir benötigen. Dann installieren wir das Tool und zentralisieren die Wissensdatenbank, was, in Abhängigkeit von der Größe der Installation, ungefähr zwei Wochen bis zu einem Monat lang dauert. Aber nach einem Monat läuft dann der NEOCAD-Chatbot auf Ihren Rechnern.
Europäischer Marktführer in der KI für das Ingenieurwesen
Manche Akteure fokussieren sich auf die Generierung von CAD-Modellen, andere auf die Wissensdatenbanken. Welchen Weg schlägt NEOCAD ein, um zu gewinnen?
Ein Orchestrator zu sein, und kein festes Werkzeug. Diese Unternehmen haben ihre CAD-Software über 30 Jahre hinweg unverändert gelassen, weil sie genau wissen, wie schwierig sie zu verändern ist. Also bauen wir auf den bestehenden Systemen auf, statt zu versuchen, etwas zu ersetzen. Die meisten unserer Mitbewerber teilen unsere Strategie des Orchestrators, konzentrieren sich dabei aber auf andere Dinge, wie die CAD-Teilgenerierung oder CAD und CAM zusammen.
Sie planen, in Mailand zu bleiben, während die meisten Ihrer Kollegen in den USA sind. Warum bleiben?
Die Finanzierung in Italien und Europa ist schwerer als in den USA, daher sind die Ressourcen hier anders. Der coole Teil daran ist aber, dass wir den zweitgrößten Fertigungsmarkt in Europa haben, direkt nach Deutschland, und wir haben Deutschland, wo wir auch arbeiten, ja direkt nebenan.
Unsere Vision besteht darin, der Europäische Marktführer für KI im Ingenieurwesen zu werden, und um das zu schaffen, müssen wir zwei Märkte erobern: Italien und Deutschland. Und weil die produzierenden Unternehmen in Europa so verschlossen sind, und Angst haben, ihre Daten loszulassen, ist es, wenn man erst einmal Fuß gefasst hat und in Schwung gekommen ist, für die US-Akteure schwierig, ohne eine Präsenz auf dem Territorium hereinzukommen.
Beeinflusst es, dass Sie Europäer sind, wie Sie das Produkt selbst entwickeln?
Ja, sicherlich. Ich war im November in San Francisco und habe dort mit einigen Vertretern der Fertigungsbranche gesprochen, und von der ersten Sekunde an war es ersichtlich, dass sie dasselbe benötigten, ihre Prozessabläufe aber vollkommen anders waren. In den USA wird die Cloud viel mehr akzeptiert, während in Europa jeder lokal agiert. Das ist einer der Gründe, weshalb einige unserer Mitbewerber nach San Francisco gezogen sind: Der Aufbau von etwas, das bereits cloudbasiert ist, ist skalierbarer. Es sind aber einfach zwei unterschiedliche Märkte.
Wie wird der Arbeitsablauf im Ingenieurwesen in fünf bis zehn Jahren aussehen, wenn Tools wie NEOCAD viel ausgereifter sind?
Über diesen Zeithorizont hinweg, der in unserer Branche eine wirklich lange Zeit ist, könnte man sich einen Orchestrator vorstellen, der mit dem beginnt, was man bereits erledigt hat, und damit aufhört, dass er ein Modell generiert, während man selbst etwas anderes macht. Man wird Agenten haben, die die Arbeit erledigen, während die Maschinenbauer sie kontrollieren, also ganz ähnlich wie Entwickler heutzutage das Coding handhaben. Manche Softwarehäuser schreiben schon selbst fast keinen Code mehr manuell und konstruieren riesige Workflows, die dann alles handhaben. Ich würde sagen, dass der Maschinenbau einen ähnlichen Weg gehen wird, wobei der Weg dorthin aufgrund der Faktoren, über die wir geredet haben, etwas langsamer sein wird, aber irgendwann werden wir auch dort ankommen.
Manche Gründer bezweifeln, dass die KI jemals eigenständig komplexe Baugruppen generieren wird, und sehen sie primär als Werkzeug für die Beschleunigung bestehender Prozessabläufe. Woher kommt diese Uneinigkeit?
Zuallererst bin ich sehr optimistisch, Andreas. Es hängt wirklich davon ab, wie weit man die Reifung der Technologie projiziert. Über fünf bis zehn Jahre, ja, da bin ich mir ziemlich sicher, dass wir dann diese Stufe erreicht haben. Ich sehe den Maschinenbau auch nicht ohne Maschinenbauingenieure, das wird wirklich nicht passieren, aber ich sehe Werkzeuge, die von Ende zu Ende arbeiten, die Informationen aufnehmen, sie verarbeiten und gegebenenfalls noch komplexere Baugruppen konstruieren.
Die Sache, die den großen Unterschied machen wird, gerade in unserer Branche, wird es sein, wie gut wir und die Akteure aus dem bestehenden Ingenieurwesen in der Lage sein werden, der KI den richtigen Kontext zu geben. Bauen wir Systeme, die Suchen, Abrufen, Verarbeiten und Berechnung durchführen können, also den Orchestrator, erreichen wir eine Stufe, auf der die Technologie in der Lage sein wird, selbst die schwierigsten Aufgaben zu bewältigen. Nie ohne einen überwachenden Maschinenbauingenieur, aber dennoch von Ende zu Ende.
Gibt es andere interessante KI-Unternehmen im technischen Bereich, die Sie gern hervorheben würden?
Ich denke, dass es da draußen ein paar interessante gibt. Poelis ist ein anderes italienisches KI-Unternehmen, das coole Sachen im Bereich Hardware-Entwicklung macht. Andererseits haben Sie bereits die meisten der spannenden Unternehmen da draußen interviewt. Solche wie Mecagent, Bench, Getleo, Cadflip oder P1-AI und Unternehmen, die an 2D-Zeichnungen arbeiten, wie Draftaid. Diese Zeichnungen sind immer noch ein großer Pain (Point), und ich sehe nicht, dass sie in der nächsten Zeit verschwinden werden. Zumindest nicht auf dem europäischen Markt.
Related Topics
Javier López Picazo
1
8
Comment(0)