Dank KI mehr Effizienz im Product Lifecycle Management

Komplexe Systeme, hoher Aufwand für Anwender

PDM- und PLM-Systeme sowie Enterprise Tools generell sind über Jahrzehnte gewachsen. Funktionalität, UI-Konzepte und Prozesslogiken wurden laufend erweitert, ohne dass die Gesamtheit einfacher wurde. Der PLM-Alltag ist geprägt von komplexen Themen wie Change- und Freigabeprozessen. Viele Aufgaben sind repetitiv, regelbasiert und informationsintensiv, während andere wiederum die Analyse komplexer Strukturen mit Varianten oder vielstufigen Stücklisten erfordern. Das heisst: Die Anforderungen an die Mitarbeitenden sind sehr hoch. KI schafft Entlastung über die gesamte Value Chain und bringt auch klare Vorteile im Engineering. Denn Ingenieure verfügen zwar über ein hohes domänenspezifisches Wissen, sind aber keine PLM-Experten. Sie wollen konstruktiv arbeiten und nicht unnötig Zeit in die Bedienlogik historisch gewachsener Systeme investieren.

Deutlich einfachere Bedienung für User

Ein KI-Agent ermöglicht es, PLM-Funktionen über natürliche Sprache zu nutzen. Anwender können in einem «menschlichen» Dialog beschreiben, was sie brauchen, der Agent führt die hinterlegten Prozesse deterministisch aus. So bleibt die Systemintegrität erhalten, während die Interaktion für den User einfacher wird.

Intelliact hat in einem konkreten Kundenkontext einen Demonstrator entwickelt, um das Potenzial von KI im Product Lifecycle Management aufzuzeigen. Einerseits wollte man damit die kritischen Themen und Herausforderungen beim Bau einer solchen KI-Applikation eruieren. Andererseits ging es darum, Ideen für verschiedene PLM-Anwendungsfälle zu generieren. Das dahinterliegende AI-Framework respektive LLM-Modell wurde spezifisch darauf konditioniert, ausschliesslich als Assistent bei PLM-Aufgaben zu unterstützen.

Wertvolle Unterstützung bei verschiedenen PLM-spezifischen Aufgaben

In Windchill, einem verbreitetes PDM-/PLM-System, das Produktdaten, Stücklisten, Dokumente, Änderungen und Freigabeprozesse verwaltet und in vielen Industrieunternehmen als zentrale Datenquelle im Engineering eingesetzt wird, bietet der Agent wertvolle Unterstützung. Typische Aufgaben, die der KI-Agent übernimmt, sind zum Beispiel das Suchen oder Anlegen von Teilen, der Abruf mehrstufiger Stücklisten, das Erstellen und Anpassen von BOMs sowie Support bei Check-in/Check-out-Prozessen. Pflichtattribute, Kontexte und Defaults werden dabei automatisch berücksichtigt.

Deterministische Prozesse und probabilistische Interpretation klar trennen

Für den Einsatz im PLM ist eine saubere Abgrenzung von deterministischer und probabilistischer KI essenziell. Aufgaben, die Systemzustände verändern – etwa Anlegen, Auschecken oder Freigeben – müssen deterministisch, reproduzierbar und auditierbar bleiben. Interpretierende Aufgaben wie das Verstehen unvollständiger Eingaben, das Erkennen von Beziehungen oder das Strukturieren offener Informationen können dagegen probabilistisch unterstützt werden. Ein KI-Agent kann also verstehen, was der User meint, aber muss technisch exakt ausführen, was das System verlangt. Für eine wirksame Unterstützung bei PLM-Prozessen ist die gezielte Kombination beider Ansätze entscheidend.

KI in Produktstrukturen und Migrationen

Bei Migrationen oder bei der Bereinigung grosser Produktstrukturen bietet KI zusätzlichen Nutzen. Direkte Inferenz auf Basis bestehender korrekter Daten ermöglicht ein proprietäres, fein abgestimmtes Modell, das kontextspezifisch unterstützt – etwa beim Erkennen von Alternativteilen oder beim Bereinigen inkonsistenter BOM-Varianten.

Alternativ lassen sich Cloud-basierte LLMs nutzen, die schnelle Resultate liefern, aber weniger spezialisiert sind und höhere Anforderungen an Datenschutz und Kostenkontrolle stellen. Unabhängig vom Ansatz bleibt die Qualität der Trainings- und Kontextdaten ausschlaggebend.

Data Cleansing mit KI effizienter gestalten

Bei Maschinen oder Anlagen mit vielen Varianten können hunderte tausend BOM-Relationen entstehen und nicht alle lassen sich rein regelbasiert prüfen. KI-Modelle unterstützen dabei, Muster zu erkennen, Beziehungen zu validieren und unklare Strukturen korrekt einzuordnen. Dies verkürzt Analysezeiten und reduziert Fehlerquellen, ohne deterministische Regeln zu ersetzen.

Weitere Anwendungsfelder im PLM-Umfeld

KI eignet sich besonders für repetitive, wissensbasierte Standardaufgaben und bietet in verschiedenen Bereichen viel Potenzial. Hier einige Beispiele mit konkreten Anwendungen:

1. Effizienzsteigerung

• Auto CN-Trigger
• Klassifizierung

2. Entscheidungsfindung

• Release Readiness
• Alternativteile

3. Qualität & Compliance

• Auto-Flagging
• Optimierung

4. Knowledge Management

• Supplier Integration
• Information Loops

5. Predictive Intelligence

• Performance Tracking
• Risk Management

Fazit

Damit KI im PLM gezielt unterstützen kann und nachhaltige Effizienzsteigerungen bringt, braucht es fundiertes Verständnis von Architektur, Prozessen und Produktstrukturen. Reine KI-Kompetenz reicht nicht; ebenso wenig reicht reines PLM-Wissen. Erst die optimale Kombination schafft spezifische Lösungen, die zuverlässig funktionieren, auditierbar bleiben und Anwender spürbar entlasten. Intelliact verbindet diese Kompetenzen und entwickelt KI-Anwendungen, die praxisnah, sicher und nutzerorientiert Mehrwert schaffen.