Europe 
Türkiye 
United Kingdom 
Global 
Anmeldung mit meinem Xometry-Konto 
Der CEO und Mitbegründer von Bench, Martin Bielicki, erklärte uns, warum Hardware-Engineering der nächste Meilenstein für KI ist, was erforderlich ist, um die Geometrievorbereitung und CAD-Rekonstruktion zu automatisieren, und warum Kontext wichtiger ist als die reine Modellleistung.
Zeit fürs Machen ist Zeit, die zum Denken fehlt
Was ist das Problem bei den heutigen Engineering-Workflows?
Das Hardware-Design ist voll von manuellen Workflows. In vielen Fällen wissen Ingenieure, was zu tun ist, verbringen aber die meiste Zeit mit der tatsächlichen Umsetzung ihres Wissens und nicht mit der Überlegung, was als Nächstes zu tun ist. Das ist reine Ausführung, keine Forschung, Entwicklung oder Innovation – wofür sie eigentlich bezahlt werden sollten.
In der Softwareentwicklung war es früher sehr ähnlich, aber KI hat dort viel verändert. Die Hardwareentwicklung muss diesem Beispiel folgen.
Was sind die Folgen?
Die direkte Folge ist natürlich die vergeudete Zeit der Ingenieure.
Aber die indirekten Auswirkungen sind noch gravierender. Wenn Ihr Simulationsteam 50 Prozent seiner Zeit mit der Geometrievorbereitung verbringt, kann es keine weiteren Iterationen durchführen. Das bedeutet eine längere Markteinführungszeit und suboptimale Produktdesigns.
Technische Führungskräfte beginnen, dies als existenzielle Frage zu betrachten. Noch nicht alle, aber die Entwicklung geht in diese Richtung. Es herrscht das Gefühl, dass sie KI einsetzen müssen, um nicht den Anschluss zu verpassen.
Manchmal bedeutet ein manueller Prozess auch, dass er gar nicht erst durchgeführt werden kann. Sie haben vielleicht ein STL-Netz, das Sie als parametrisches CAD benötigen. Der Ingenieur müsste das gesamte Modell im CAD neu erstellen. Das wäre enorm vorteilhaft, ist aber nicht praktikabel. Also wird die Arbeit einfach nicht erledigt.
Haben Sie das Problem aus erster Hand erfahren?
Ja. Ich bin Maschinenbauingenieur. An der Universität habe ich ein Team namens Hyperlink gegründet, das schließlich Londons ersten Hyperloop-Pod gebaut hat. Ich habe etwa hundert Ingenieure in neun Teams geleitet: Strukturen, Aerodynamik, Elektronik, Software. Selbst in einem akademischen Umfeld konnte man sehen, wie manuell die Prozesse waren, wie viele Engpässe es gab und wie wenig sich automatisieren ließ.
Das war 2020 bis 2022, also entscheidend vor den LLMs. Als LLMs aufkamen, dachte ich sofort daran, sie in meinem Bereich anzuwenden. Die Vision war immer ein KI-Maschinenbauingenieur. Früher nannten wir es Cursor für Hardware. Jetzt ist es eher wie Claude Code für Hardware. Die Namen ändern sich, aber die Vision bleibt dieselbe.
Eine Plattform zur Steuerung und Automatisierung Ihrer Engineering-Tools
Was macht Bench?
Wir entwickeln das, was wir als Engineering Execution System (EES) bezeichnen. Es passt nicht genau in bestehende CAD-, CAE- oder PLM-Kategorien. Es ist eine separate Software, die auf den vorhandenen Tools aufsetzt, sich mit ihnen verbindet und Aufgaben autonom über deren Grenzen hinweg ausführt.
Beim Programmieren lebt Ihr Agent in Ihrer IDE, und dort passiert alles. Im Engineering haben Sie CAD, Simulationen, Dokumentation, PLM und Anforderungen in verschiedenen Tools. Man muss die Grenzen zwischen ihnen überschreiten, um tatsächlich genug Kontext zu haben und Aufgaben durchgängig erledigen zu können. Genau das tut Bench.
Auf Ihrer Website werden Geometrievorbereitung für die Simulation, autonome Optimierung und STL zu parametrischem CAD aufgeführt. Können Sie uns diese erläutern?
Wir beginnen mit dem Defeaturing für die Simulation und der Umwandlung von STL in CAD. Diese Bereiche überschneiden sich technisch.
Die Geometrievorbereitung ist der größte Engpass für Simulationsteams. Enterprise-Simulationsteams, mit denen wir gesprochen haben, verbringen bis zu 70 Prozent ihrer Zeit mit der Geometriebereinigung. Es gibt zwar Tools wie ANSA , die 90 Prozent der Arbeit erledigen, aber die restlichen 10 Prozent erfordern zwei Tage manuellen Aufwand. Bei einem komplexen Motorenmodell sind das 30 Stunden Defeaturing. Das sind echte Zahlen von Engineering-Teams in Großunternehmen.
Die Umwandlung von STL in parametrisches CAD ist der andere Ansatzpunkt. Wir können aus einer STEP-Datei eine vollständig parametrische, native CAD-Datei in Onshape mit vollständig definierten Skizzen und Parametern erstellen. Für ein Modell, für das ein Ingenieur vier Stunden bräuchte, benötigen wir 15 bis 20 Minuten. Sobald wir die Pipeline von STL zu STEP vollständig abgeschlossen haben, können Sie in dem Tool Ihrer Wahl direkt von STL zu parametrischem CAD übergehen.
Wo liegt also die Überschneidung zwischen den beiden?
Unser Ansatz beim Defeaturing unterscheidet sich vom herkömmlichen Vorgehen. Normalerweise wandelt man in ein Netz (Mesh) um und führt das Defeaturing in der Netzumgebung durch, weil das für Menschen einfacher ist. Wir hingegen nutzen unsere Funktion zur Umwandlung von STL in parametrisches CAD, um das Modell zunächst zu parametrisieren und das Defeaturing dann am parametrischen Modell durchzuführen. Für Agenten ist es einfacher, mit parametrisiertem CAD zu arbeiten als mit Netzen. Beide Anwendungsfälle basieren also auf derselben zugrunde liegenden Technologie.
Die autonome Optimierung baut auf beiden auf. Hier benötigen Sie die CAD-Intelligenz, müssen aber auch Simulationsergebnisse berücksichtigen. Sie arbeiten also toolübergreifend. Das ist im Moment eher zukunftsorientiert.
Sie versprechen, dass es keine KI-Halluzinationen gibt. Wie ist das möglich?
Das ist der Kern unserer Technologie. Wir haben eine neue Repräsentation für das Engineering namens PRISM entwickelt, die den gesamten Engineering-Kontext, einschließlich CAD, Simulation und Daten zur Konstruktionsabsicht, in sich vereint.
Stellen Sie es sich so vor: Ihr CAD weiß nicht, warum es so entworfen wurde. Der Ingenieur weiß es. Vielleicht hat eine Simulation gezeigt, dass eine Wand nicht dünner als 5 mm sein darf. Vielleicht hat der Ingenieur vor drei Jahren gelernt, dass ein Teil durch eine bestimmte Formgebung erst herstellbar wird. Dieser Kontext war ausschlaggebend für die Konstruktion, spiegelt sich aber nicht in der CAD-Datei wider.
Wir glauben, dass ein etwas schwächeres Modell mit dem richtigen Kontext ein weitaus fähigeres Modell ohne diesen Kontext übertreffen wird. Der erste Schritt bei der Nutzung von Bench ist also das Teilen von Kontext. Der Ingenieur teilt Bench mit, worauf es ankommt: Schlüsselparameter, Abhängigkeiten, Konstruktionsabsicht. Bei unvollständigem Kontext stellt Bench Rückfragen. Das mag 10 bis 20 Minuten dauern, aber wenn man einen Prozess automatisiert, der manuell 10 Stunden dauert, ist das immer noch ein enormer Gewinn.
Der zweite Teil besteht darin, alles auf mathematische Tools zu stützen. Die Konvertierung von STL in CAD erfordert viele exakte Berechnungen. Wir verbinden die semantische Logik von LLMs mit deterministischen Algorithmen, die die Ergebnisse mathematisch absichern. Die Agenten haben einen Spielraum, und die Mathematik setzt die Grenzen.
Branchen, die iterieren
Welche Art von Unternehmen profitiert am meisten?
Großunternehmen. Wenn Sie Nischenanwendungsfälle anvisieren, sind kleine Unternehmen einfach nicht interessiert genug. Wenn Sie zu einem Simulationsteam in einem großen Unternehmen gehen und deren Defeaturing automatisieren, sind das 20 Prozent ihrer Arbeit. Wenn Sie aber zu einem fünfköpfigen Hardware-Startup gehen, verteilen sich 20 Prozent ihrer Arbeit auf 20 verschiedene Bereiche. Sie benötigen ein viel breiteres Produkt, um den gleichen Mehrwert zu erzielen. Deshalb fangen wir bei den Großunternehmen an und arbeiten uns nach unten vor.
Branchen mit hohem Iterationsbedarf sind am meisten interessiert. Die Automobilindustrie, die Luft- und Raumfahrt sowie einige breiter aufgestellte Industrieunternehmen. Insbesondere in der Automobilindustrie herrscht derzeit Kostendruck, sodass aktiv nach Wegen gesucht wird, effizienter zu werden.
Haben Sie bereits Kunden, die das Produkt nutzen?
Wir führen derzeit Pilotprojekte mit Unternehmen durch. Ich kann nicht zu viele Details verraten, da sie alle einer Geheimhaltungserklärung (NDA) unterliegen, aber Bench wird bereits aktiv genutzt.
Was ist der größte Vorteil für die Anwender?
Die Ermöglichung eines Prozesses, der zuvor aufgrund der manuellen Arbeit nicht realisierbar war. Die Konvertierung von STEP-Dateien in natives parametrisches CAD zur Erkundung von Konstruktionsräumen. Der Kunde benötigte parametrisierte Modelle, konnte aber die Ingenieurstunden für das manuelle Neuzeichnen nicht rechtfertigen. Jetzt können sie dies automatisch tun.
Das ist der größte Erfolg. Dicht gefolgt von der Erkenntnis der Simulationsteams, dass die Beseitigung von Engpässen bei der Geometrievorbereitung direkt die Anzahl der möglichen Iterationen erhöht.
Die Einführung beginnt mit KPIs
Was kostet Bench?
Wir verkaufen Enterprise-Lizenzen, die für jeden Vertrag individuell angepasst werden. Wir berechnen nicht pro Arbeitsplatz im herkömmlichen Sinne. Wir berechnen pro Funktion – Dinge wie STL zu CAD oder Defeaturing – und der Preis skaliert dann danach, ob Sie es für ein Team oder eine ganze Abteilung bereitstellen.
Engineering-Unternehmen sind es gewohnt, 40.000 für eine einzige Simulationssoftware-Lizenz zu bezahlen, und einige Simulationsunternehmen berechnen bereits pro Durchlauf oder nach Genauigkeit. Ungefähr in diese Richtung entwickelt sich auch die Preisgestaltung für KI. Wir sind derzeit ein Hybrid aus arbeitsplatz- und nutzungsbasierter Preisgestaltung. Ich denke, wir werden uns in Zukunft stärker in Richtung nutzungsbasiert bewegen, aber der Markt ist dafür noch nicht ganz bereit.
Wie sieht die Einführung aus?
Wir beginnen mit einem fokussierten Pilotprojekt, bei dem wir spezifische KPIs für Zeitersparnis und Ausgabequalität festlegen. Für den jeweiligen Anwendungsfall ist in der Regel noch etwas Feinabstimmung erforderlich, da jedes Unternehmen einen etwas anderen Workflow hat oder Teile produziert, die spezielle Anforderungen haben.
Nach erfolgreichem Abschluss des Pilotprojekts integrieren wir auch den vollständigen On-Premises-Tool-Stack, etwa CATIA oder Siemens NX. Während der Pilotphase bevorzugen wir Cloud-CAD-Systeme, da schnelle Iterationen damit einfacher sind.
Wo liegen die Daten?
Die Daten bleiben bei Ihnen. Bench speichert Ihre CAD-Daten nicht. Wir verbinden uns über eine API oder eine GUI-basierte Computersteuerung und führen Konvertierungen in Ihrer CAD-Umgebung aus. Ein neu gezeichnetes Modell in Onshape ist also ein vollwertiges Onshape-Modell, genau als hätten Sie es manuell erstellt.
Aufbau eines skalierbaren Engineering-Gehirns
Wie wettbewerbsintensiv ist dieser Bereich?
Es gibt inzwischen viele KI-Unternehmen im Bereich Engineering-Software, aber sie bewegen sich in Sub-Nischen. KI-Zeichnungsautomatisierung, KI-Surrogate für schnellere Simulationen, Text-zu-CAD. Innerhalb dieser Nischen ist der Wettbewerb noch nicht sehr groß. Wenn wir auf Kunden zugehen, treten wir eigentlich nicht gegen Wettbewerber an. Meistens kämpfen wir gegen die Trägheit und die Entscheidung, überhaupt nichts zu tun.
Beim Programmieren tauchten auf einmal zehn Agenten auf, die alle in etwa das Gleiche tun. Im Engineering sind die Workflows komplexer, man ist in spezialisierten Tools gefangen und die Ausgangssituationen sind viel unterschiedlicher. Eine KI für technische Zeichnungen und eine KI für das Defeaturing haben derzeit null Überschneidungen. Auf lange Sicht sind beides Engineering-Workflows und könnten verschmelzen, aber heute sind sie komplett voneinander getrennt.
Sie haben davon gesprochen, dass Ingenieure eines Tages Teams von KI-Ingenieuren leiten werden. Wie weit ist das noch entfernt?
Diese Frage stellt sich derzeit jede wissensbasierte Branche. Wir glauben, dass das Engineering den gleichen Weg einschlagen wird wie die Softwareentwicklung. Softwareingenieure wandeln sich von Programmierern, die jede Codezeile selbst schreiben, hin zu Architekten. Sie verfassen eine Spezifikation, füttern damit einen Agenten, überprüfen das Ergebnis und iterieren in natürlicher Sprache.
Dasselbe wollen wir für Hardware. Ein Ingenieur teilt die Konstruktionsabsicht mit, was er erreichen möchte, und die Agenten übernehmen die eigentliche Ausführung. Der Ingenieur bewertet, iteriert und gibt frei. Er muss nicht mehr jede einzelne Fase am Modell auswählen und von Hand entfernen.
Wie geht es mit Bench weiter?
Wir starten mit zwei engen Anwendungsfällen. STL zu CAD macht vielleicht ein oder zwei Prozent des gesamten Engineerings aus. Defeaturing vielleicht weitere zwei Prozent. Aber das Ziel ist es, das gesamte Engineering zu automatisieren. Die Art und Weise, wie wir die Technologie aufbauen, unterstützt dies. Wir entwickeln keine isolierten Anwendungsfälle, die unter einem Dach zusammengefügt werden. Die agentische Kerntechnologie ist bei allen gleich: Kontextaufnahme, Workflow-Planung, Ausführung. Wir bauen ein Engineering-Gehirn auf, das über verschiedene Anwendungsfälle hinweg skaliert.
Gibt es interessante KI-Unternehmen im Bereich Engineering, die Sie hervorheben möchten?
Synera ist interessant. Sie betreiben seit sieben oder acht Jahren Workflow-Automatisierung für das Engineering – ursprünglich ohne KI, und jetzt haben sie KI hinzugefügt.
Ich habe kürzlich den Gründer von NexCAD auf der Develop3D Live getroffen, und der Anwendungsfall der Zeichnungsautomatisierung scheint vielversprechend. Ein weiteres neues Unternehmen, auf das wir auf derselben Veranstaltung gestoßen sind, ist Depix. Sie nutzen KI für das konzeptionelle Design. Das ist derselbe Prozess, den wir automatisieren, nur früher im Ablauf.
Related Topics
Javier López Picazo
Federico Maggiotto
2
theprintede electronics
0
Comment(0)