Europe 
Türkiye 
United Kingdom 
Global 
Anmeldung mit meinem Xometry-Konto 
Namwoo Kang, CEO von Narnia Labs, gab uns einen umfassenden Einblick in die Probleme, die sein Unternehmen löst, und erklärte, warum führende koreanische Industrie- und Engineering-Unternehmen bereits auf AslanX setzen.
Engineering Design schafft Wert – aber wo sind die Ingenieure?
Erklär uns bitte die „Smile Curve“. Was bedeutet sie aus wirtschaftlicher Sicht?
Die Smile Curve zeigt, wie sich die Wertschöpfung über den Lebenszyklus eines Produkts verteilt. Wenn man Fertigung nicht nur als reinen Produktionsschritt betrachtet, sondern den gesamten Prozess einbezieht – also Planung, Forschung und Entwicklung, Design, Produktion, Vertrieb, Wartung und End-of-Life –, dann entsteht die höchste Wertschöpfung typischerweise an beiden Enden der Kurve: in der Phase vor der Produktion und in der Phase nach der Produktion.
Ökonomisch bedeutet das: Produktentwicklung, Forschung und Entwicklung, Design und Branding vor der Produktion sowie Services und Marketing nach der Produktion erzielen für Unternehmen und Volkswirtschaften meist höhere Gewinne als die reine Fertigung oder Montage. Wenn Korea seine Wettbewerbsfähigkeit in der Fertigung halten will, müssen wir die KI-Transformation, also die AI-Transformation, kurz AX, genau in diesen wertschöpfungsstarken Bereichen vorantreiben – insbesondere in der Produktentwicklung.
Wo liegen die Probleme bei Innovationen in den Phasen vor und nach der Produktion?
Viele KI-Unternehmen konzentrieren sich heute auf die Produktionsphase. Doch wenn upstream kein überzeugendes Produkt entwickelt wird, kann auch die effizienteste nachgelagerte Produktion keinen wirklich bedeutenden Wert schaffen.
Deshalb konzentriert sich Narnia Labs auf die KI-Transformation der Produktentwicklungsphase vor der Produktion – genauer gesagt auf das Engineering Design.
Wie akut ist das Problem angesichts des Bevölkerungsrückgangs und der schrumpfenden Erwerbsbevölkerung in Korea? Können Unternehmen tatsächlich nicht mehr genügend Engineering-Talente einstellen?
Das Problem ist extrem akut. In Korea führen der Bevölkerungsrückgang und die schrumpfende junge Erwerbsbevölkerung dazu, dass Unternehmen große Schwierigkeiten haben, die nächste Generation von Experten einzustellen und langfristig zu halten, während erfahrene Ingenieure nach und nach in den Ruhestand gehen.
Dabei geht es um mehr als nur um Personalzahlen. Es entsteht ein strukturelles Risiko, weil koreanische Hersteller bei Preis und Skalierung durch Länder wie China unter Druck gesetzt werden können.
Deshalb ist der Einsatz von KI in der Fertigung keine Option mehr, sondern wird zunehmend zur Voraussetzung fürs Überleben. Das gilt besonders für kleine und mittlere Unternehmen, die es noch schwerer haben als große Konzerne, hochqualifizierte Ingenieure zu gewinnen. Für sie ist KI entscheidend, um den Mangel an Engineering-Talenten abzufedern und ihre eigenen Fähigkeiten zu erweitern.
In deinen Vorträgen sprichst du über optimales Design. Wo liegen die Grenzen der heutigen Optimierungsansätze?
Simulationsbasierte Designoptimierung wird in der Industrie breit eingesetzt und hat bereits einen echten Mehrwert geschaffen. Gleichzeitig gibt es klare Grenzen.
Erstens sind die Geometrien, die wir entwickeln wollen, oft zu komplex, um sie mit klassischen Methoden zu parametrisieren – etwa über eine kleine Anzahl von Variablen wie x1 bis x10.
Zweitens ist die Eingabe- und Ausgabedimensionalität häufig so hoch, dass es selbst dann schwierig wird, zuverlässige Ersatzmodelle mit konventionellem maschinellen Lernen aufzubauen, wenn sich das Design grundsätzlich über Variablen beschreiben lässt.
Drittens sind die zugrunde liegende Physik und der Designraum hochgradig nichtlinear und komplex. Dadurch wird es extrem schwierig, globale Optima zu finden.
Kurz gesagt: reale industrielle Designprobleme sind hochdimensional. Mit traditionellen Methoden ist eine effiziente Suche in diesem Raum kaum möglich.
KI für Generierung, Vorhersage und Optimierung
Wie sieht eure Lösung für dieses Problem aus?
Unsere Lösung AslanX ist eine eigenständige Plattform, mit der Design-, Simulations- und Testingenieure KI-Modelle einfach erstellen und anwenden können – ohne selbst KI-Spezialisten sein zu müssen.
AslanX ersetzt bestehende CAD- und CAE-Systeme nicht. Die Plattform versteht sich vielmehr als generative KI-Lösung und als kollaborativer Partner, der Engineering-Entscheidungen durch Generierung, Vorhersage und Optimierung unterstützt.
AslanX bietet einen No-Code-Workflow, mit dem Nutzer Daten einlesen, Modelle trainieren und diese mit möglichst wenig Reibung einsetzen können. Trainierte Modelle lassen sich über eine API oder als GUI-basierte App bereitstellen und bei Bedarf über APIs in bestehende CAD-Systeme integrieren.
Könnt ihr Baugruppen oder einzelne Komponenten verarbeiten?
Für Vorhersagen unterstützen wir Baugruppen bereits in produktiven Anwendungen. Bei der Generierung sind noch weitere Forschung und Entwicklung nötig, aber die grundlegende Fähigkeit ist vorhanden und wird aktiv umgesetzt.
Wir haben die Generierung von Baugruppen bereits gemeinsam mit LG Electronics auf ein reales Problem angewendet und durch diese Arbeit umfangreiches praktisches Know-how erworben.
Ihr adressiert Design, Performance, Herstellbarkeit, Kosten und damit im Grunde alle Design-for-X Themen gleichzeitig. Ist das nicht zu ambitioniert? Warum nicht Schritt für Schritt vorgehen?
Genau das macht Engineering Design so anspruchsvoll: Man optimiert selten nur eine einzelne Anforderung. Stattdessen müssen mehrere Vorgaben, Randbedingungen und Ziele gleichzeitig erfüllt werden.
Werkzeuge aus unterschiedlichen Domänen miteinander zu verbinden und Optimierungen durchgängig umzusetzen, ist schwierig. Deshalb werden Anforderungen in klassischen Workflows meist nacheinander und über viele Iterationen hinweg bewertet.
Mit KI können wir für jede Anforderung Vorhersagemodelle erstellen und diese innerhalb eines einzigen generativen oder optimierenden Modells nutzen, um Mehrzielprobleme effektiver zu lösen. Das ist nicht einfach – aber wir haben diesen Ansatz bereits in mehr als 70 industriellen Problemstellungen validiert.
Wie weit ist KI heute wirklich, wenn es darum geht, all diese unterschiedlichen Bereiche zu lösen?
KI ist noch nicht für jedes komplexe Designproblem vollständig end-to-end wirksam. Für spezifische Domänenprobleme liefert sie jedoch bereits greifbare Ergebnisse.
Narnia Labs hat zum Beispiel kürzlich mit LS ELECTRIC an der Entwicklung einer Leistungskomponente gearbeitet – einem MCCB, also einem Molded Case Circuit Breaker. Mithilfe eines generativen KI-Modells konnten wir die Bruchfestigkeit um 19 Prozent verbessern. Außerdem wurden sowohl der Formenbau als auch die Validierung der Herstellbarkeit abgeschlossen.
Das Ergebnis wird derzeit für den Einsatz in realen Rechenzentren geprüft. Das zeigt, dass sich die Technologie über reine Forschung hinaus entwickelt hat und bereits in Richtung Kommerzialisierung geht.
Topologieoptimierung gibt es in CAD-Systemen seit Jahren. Was kann AslanX, was heutige CAD-Systeme nicht können?
Klassische regelbasierte Ansätze wie die Topologieoptimierung lernen nicht aus Daten. Sie beruhen auf FEM-basierter, iterativer Optimierung. Das kann sehr zeitaufwendig sein und häufig zu Designs führt, die sich nur schwer fertigen lassen.
AslanX arbeitet dagegen datengetrieben. Die Plattform lernt aus historischen Daten und versteht die Verteilung realisierbarer Designs. Dadurch kann sie in Echtzeit Zehntausende kreative Alternativen generieren und empfehlen – etwas, das mit konventionellen Methoden praktisch nicht umsetzbar ist.
Anders gesagt: AslanX ist nicht darauf ausgelegt, eine einzige „beste“ Lösung zu finden. Die Plattform hilft dabei, den Designraum zu erkunden und neue Möglichkeiten sichtbar zu machen.
Wie stellt ihr sicher, dass genügend Trainingsdaten verfügbar sind? Viele KI-Lösungen in diesem Bereich scheinen genau damit zu kämpfen.
Einer der größten Engpässe beim Einsatz von KI in der Fertigung ist der Mangel an 3D-Trainingsdaten. Selbst große Unternehmen verfügen oft nicht über ausreichend viele historische Designdaten, um Deep-Learning-Modelle im großen Maßstab zu trainieren. Open-Source-Datensätze wiederum passen selten zu realen Fertigungskontexten.
Wir lösen dieses Problem mithilfe synthetischer Daten. Wir erzeugen große Mengen hochwertiger, engineering-tauglicher 3D-Daten – also Daten, die physikalisch sinnvoll sind und technische Anforderungen erfüllen –, um KI-Modelle zu trainieren.
In einem Projekt mit Samsung Electronics, das AslanX seit dem vergangenen Jahr nutzt, haben wir beispielsweise rund 8.000 synthetische Beispiele generiert, bevor wir das KI-Modell entwickelt haben.
Kannst du eure Vision des autonomen Designs erklären?
Autonomes Design ist der nächste Schritt nach generativer KI – hin zu agentischer KI. Bei generativer KI nutzen Menschen KI als neues Werkzeug für Designaufgaben. Beim autonomen Design nutzt die KI selbst Werkzeuge, darunter auch andere KI-Tools, um den Designprozess durchzuführen.
Historisch gesehen haben Menschen die Werkzeuge ausgewählt und die Entscheidungen getroffen. In Zukunft werden Ingenieure Ziele und Randbedingungen vorgeben, während KI-Agenten Werkzeuge auswählen, zusammenarbeiten und Workflows orchestrieren, um optimale Designs zu finden.
Der Mensch wird stärker in die Rolle wechseln, Ergebnisse überwachen und endgültig freigeben. Genau auf diese Vision arbeiten wir hin.
Wie genau sind eure Designs heute? Sind die Modelle parametrisch, sodass Ingenieure nach der KI-Generierung weiter daran arbeiten können, oder sind sie als finale Ergebnisse gedacht?
Das hängt davon ab, in welcher Phase des Designprozesses das Ergebnis verwendet werden soll.
Für frühe Konzeptentwürfe erzeugen wir häufig Ergebnisse in Mesh-Form. Dadurch lassen sich sehr unterschiedliche Topologien darstellen.
Für das detaillierte Design benötigen wir hingegen B-Rep-Darstellungen. In diesem Fall wandeln wir Mesh-Ergebnisse entweder in B-Rep um oder trainieren Modelle, die B-Rep direkt erzeugen.
Im bereits erwähnten LS-ELECTRIC-Beispiel haben wir B-Rep-Ausgaben generiert. Dadurch war das Ergebnis direkt für die Produktion nutzbar.
Das koreanische Ökosystem
Ihr scheint sehr gut vernetzt zu sein, etwa über die AI Manufacturing Service Alliance und KAIST. Was bringt euch das?
Ich bin Vorsitzender des Unterausschusses „AI Manufacturing Service Alliance“ innerhalb von M.AX, einer Allianz für Manufacturing AX, also KI-Transformation in der Fertigung, unter dem koreanischen Ministerium für Handel, Industrie und Energie.
Dabei handelt es sich um einen öffentlich-privaten Rat, der rund 1.300 Unternehmen, Forschungsinstitute und Universitäten zusammenbringt, um die KI-Transformation der koreanischen Fertigung voranzutreiben.
Über diese Allianz helfen wir dabei, technische Standards mitzugestalten, und fungieren als Knotenpunkt, um praxistaugliche KI-Modelle durch die Zusammenarbeit zwischen Industrie, Wissenschaft und Forschung in reale Fertigungsumgebungen zu bringen.
Korea ist eine starke Fertigungsnation und verfügt zugleich über die Daten und das Domänenwissen, die für industrielle KI erforderlich sind. Ich sehe Korea deshalb als eines der besten Testfelder für den Aufbau eines Manufacturing-AI-Startups: Wer in Korea erfolgreich ist, kann auch global erfolgreich sein.
KAIST ist Koreas führende technische Universität und zugleich sehr stark im Bereich der KI. Über das KAIST Smart Design Lab, das ich leite, kann ich kontinuierlich mit Top-Talenten zusammenarbeiten und technologisch an vorderster Front bleiben. KAIST bietet außerdem starke Unterstützung für Startups, etwa durch die „One Lab, One Venture“-Policy.
Behandelt Korea den Einsatz von KI in der Fertigung als nationale Priorität? Was bedeutet das für euch?
Ja. Korea betrachtet die KI-Transformation der Fertigung als nationale Priorität, mit dem Ziel, die Fertigung bis 2030 grundlegend durch KI zu erneuern.
Für uns bietet das eine große Chance. Narnia Labs hat zunächst durch PoC-artige Systemintegrationsprojekte mit verschiedenen Unternehmen Vertrauen aufgebaut. Auf Basis dieser Erfahrungen haben wir unser Geschäftsmodell jedoch weiterentwickelt – hin zu einem skalierbaren Plattformprodukt.
Statt linearem, projektgetriebenen Wachstums streben wir mit unserem Produkt AslanX ein J-Curve-Wachstum an.
Die Regierung unterstützt außerdem mehrere Programme, die es Unternehmen ermöglichen, Lösungen von Startups in größerem Umfang zu kaufen und einzuführen.
Persönlich glaube ich nicht, dass es für KI-Unternehmen in unserem Bereich nachhaltig ist, sich kurzfristig über personalintensive Systemintegrationsprojekte zu finanzieren – also immer größere Investmentrunden zu nutzen, um steigende Kosten auszugleichen und die Laufzeit des Unternehmens zu verlängern, während das Team wächst. Am Ende werden die Startups überleben, die ein eigenes Produkt besitzen.
Gibt es weitere zentrale Unterschiede zwischen dem koreanischen und dem westlichen Startup-Ökosystem? Wer profitiert davon – und wie?
Im Vergleich zu westlichen Märkten ist der koreanische Venture-Capital-Markt kleiner. Die Bewertungen koreanischer Startups können zehnmal und manchmal sogar bis zu hundertmal niedriger sein als die vergleichbarer US-Unternehmen.
Gleichzeitig ist Korea eine Fertigungsnation. Die Fertigung macht mehr als 24 Prozent des Bruttoinlandsprodukts aus. Zudem ist Korea ein starkes Land für KI-Infrastruktur mit weltweit führenden GPU-Kapazitäten.
Während westliche Ökosysteme häufig auf generalistische KI-Startups ausgerichtet sind, ist Korea ein ideales Testfeld für vertikale und physische KI – also für fortschrittliche KI-Technologie, die direkt auf reale Fertigungsprobleme trifft.
In diesem Ökosystem erhalten Technologieanbieter wie wir zahlreiche Möglichkeiten zur Validierung unter realen Bedingungen sowie zum Zugang zu Daten. Gleichzeitig setzen große Fertigungsunternehmen KI ein, um Produktivität und Designfähigkeiten zu verbessern und ihre globale Wettbewerbsfähigkeit zu stärken. Daraus entsteht eine Struktur, von der beide Seiten profitieren.
Kunden erzielen mehr Umsatz durch bessere Designs
Hyundai hat in euch investiert. Wie groß ist das Interesse anderer koreanischer Technologiekonzerne an AslanX?
Die Hyundai Motor Group ist seit unserer Seed-Runde ein zentraler Partner. Inzwischen gehören die meisten großen koreanischen Industriekonzerne zu unseren Kunden.
Dazu zählen Hyundai Motor, Hyundai Mobis, Hyundai Transys, Kumho Tire, Samsung Electronics, LG Electronics, LG Innotek, LG Display, LS ELECTRIC, HD Hyundai Electric, Samsung Heavy Industries, POSCO, HD Hyundai Heavy Industries, Hanwha Ocean, LIG Nex1 und weitere – insgesamt mehr als 20 Kunden.
Das Interesse der koreanischen Fertigungsriesen ist sehr groß.
Wie eng ist eure Zusammenarbeit mit solchen Großunternehmen aktuell?
Mit koreanischen Konzernen haben wir verschiedene PoCs durchgeführt. Jetzt gehen wir in die Phase über, formale Software-Abonnements für AslanX abzuschließen und interne Rollouts voranzutreiben.
Außerdem erreichen wir inzwischen eine Phase, in der KI-generierte Ergebnisse tatsächlich in den Markt überführt werden – wie im Fall von LS ELECTRIC.
Welchen größten Nutzen ziehen eure Anwender derzeit?
Der Zweck von KI besteht darin, bessere Produkte schneller zu entwickeln. Die zwei größten Vorteile, die Anwender heute sehen, sind Zeitersparnis und ein deutlich erweiterter Designsuchraum.
Aufgaben, die früher einen Monat gedauert haben, können zum Beispiel in einer Minute erledigt werden. Teams können außerdem mehr als 1.000 Designkandidaten bewerten, statt nur etwa 20 – und dadurch Lösungen mit deutlich besserer Performance zu finden.
Sowohl Vorhersagemodelle, die Geschwindigkeit bringen, als auch generative Modelle, die bessere Designs ermöglichen, schaffen Mehrwert. Am zufriedensten sind Kunden aber meist dann, wenn KI zu einem überlegenen Produkt führt.
Anders gesagt: Zusätzlicher Umsatz durch bessere Designs ist oft wichtiger als reine Kosteneinsparung durch Zeitersparnis.
Welche Unternehmen profitieren am meisten? Woran erkennen Unternehmen, ob ihre Tools zu ihnen passen?
Am stärksten profitieren Hersteller aus Branchen wie Automotive, Elektronik, Schiffbau und Schwerindustrie – also überall dort, wo komplexes 3D-Design und anspruchsvolle technische Validierung entscheidend sind.
AslanX passt besonders gut zu Unternehmen, die Engpässe in der Schleife aus Design, Simulation und Überarbeitung haben, bereits Daten gesammelt haben, diese aber nicht effektiv nutzen können, oder unter einem Mangel an erfahrenen Ingenieuren leiden.
Wer sind die eigentlichen Endnutzer?
Die wichtigsten Endnutzer sind Entwicklungsingenieure, die für die Produktentwicklung verantwortlich sind, CAE-Spezialisten und Testingenieure.
Je nach Anwendungsfall können auch Produktdesigner und technische Vertriebsteams die Plattform nutzen.
Was war das überraschendste Feedback, das ihr von Kunden erhalten habt?
Das einprägsamste Feedback lautete: „Wir haben validiert, dass das von der KI entwickelte Ergebnis besser abschneidet als das vom Menschen entwickelte. Es ist ein Design, das für einen Menschen nur schwer vorstellbar gewesen wäre.“
Ingenieure sahen KI zunächst vor allem als Effizienzwerkzeug. Als die KI jedoch begann, Designs vorzuschlagen, die menschliche Annahmen durchbrachen, wurde sie zunehmend als Katalysator für Kreativität akzeptiert.
Gab es Feedback, das euch dazu gebracht hat, euren Kurs zumindest ein Stück weit anzupassen?
Wir haben immer wieder gehört, dass Ingenieure in Großunternehmen den starken Wunsch haben, KI-Kompetenz intern aufzubauen. Sie möchten sich nicht dauerhaft auf externe Anbieter verlassen, die einzelne Probleme für sie lösen. Stattdessen wünschen sie sich eine Umgebung, in der sie Probleme selbst lösen können.
Dieses Feedback hat unseren Fokus weiter geschärft: Wir wollen KI-Werkzeuge bereitstellen – keine reinen Serviceprojekte.
Preise und Verfügbarkeit
Betreut ihr auch Kunden außerhalb Koreas?
Ja, wir bedienen auch Kunden außerhalb Koreas. Führende Automobilhersteller in den USA und Europa gehören bereits zu unseren Kunden. Aufgrund von Geheimhaltungsvereinbarungen können wir ihre Namen allerdings nicht nennen. Einige von ihnen haben bereits AslanX-Abonnements abgeschlossen.
Bisher sind globale Kunden vor allem inbound auf uns zugekommen. Ab diesem Jahr bauen wir in Japan ein Büro auf und beginnen mit einer aktiveren internationalen Go-to-Market-Strategie.
Japan ist, wie Korea, eine starke Fertigungsnation und liegt geografisch wie kulturell nah. Das gibt uns die Zuversicht, dort besser umsetzen zu können als viele andere globale KI-Unternehmen.
Wie sieht euer Preismodell aus?
AslanX wird als jährliches Abonnement angeboten.
Autonomes Design auf Industrieniveau
Welche Entwicklungen stehen für 2026 auf der Roadmap?
Im ersten Quartal 2026 plant Narnia Labs die Vorstellung von „AslanX 2.0“, einem großen Upgrade unseres aktuellen Produkts.
Die neue Version ermöglicht flexibleres und fortschrittlicheres Training. Außerdem hilft sie Nutzern, Inferenz-Apps einfacher und schneller bereitzustellen, damit KI zügiger in reale Engineering-Workflows integriert werden kann.
Wenn ihr erfolgreich seid: Wie wird die Produktentwicklung in fünf Jahren aussehen?
In fünf Jahren wollen wir autonomes Design auf Industrieniveau zur Realität werden lassen.
Ein Ingenieur wird eine Anweisung eingeben können wie: „Entwirf ein Produkt, das diese Anforderungen und Randbedingungen erfüllt.“ KI-Agenten werden daraufhin Daten aus früher gelösten Problemen analysieren, die passenden Werkzeuge auswählen, den effektivsten Workflow für die Designaufgabe aufbauen, die resultierenden Designs vorschlagen und erklären, warum bestimmte Entscheidungen getroffen wurden.
Related Topics
Ahmed Gtari
Javier López Picazo
2
2
Comment(0)