Wie lässt sich KI in der Produktentwicklung einsetzen, ohne die Kontrolle über Daten, Architektur und Kosten aus der Hand zu geben? Mit EDAG.ai stellt die EDAG Group einen Ansatz vor, der Modelle mit Engineering-Wissen, Werkzeugen und Unternehmensprozessen verbindet. Im Zentrum steht ein anpassbarer Engineering Harness statt eines weiteren Standardmodells. Für IT- und Entwicklungsverantwortliche rücken damit konkrete Fragen in den Vordergrund: Wie werden Ergebnisse geprüft, Komponenten ausgetauscht und wirtschaftliche Effekte nachgewiesen? [1][2][3]

Management Summary

• Systemarchitektur statt Modellfixierung:ai verbindet laut Unternehmensdarstellung KI-Modelle mit Domänenwissen, Daten und Prozessen. Der Engineering Harness ist die umgebende Arbeits- und Steuerungsstruktur, nicht das Sprachmodell selbst. [1]
• Souveränität konkret prüfen: EDAG nennt Cost, Control, Compliance, Customization und Compounding als seine »5Cs«. Für die Beschaffung empfiehlt sich, diese Kategorien in überprüfbare Anforderungen an Kosten, Zugriffsrechte, Austauschbarkeit und Wissensbestände zu übersetzen. [1]
• Wissen strukturiert erschließen: Der Anbieter setzt auf Engineering-Ontologien, Referenzmodelle und Wissensbasen. Diese Angaben beschreiben den Ansatz; einen unabhängig nachgewiesenen Produktivitätsgewinn belegen sie nicht. [1]
• Prüfung gehört zum Betrieb: Anthropic beschreibt strukturierte Übergaben und Tests für länger laufende Coding-Agenten; NIST bietet einen freiwilligen Rahmen für Risiken generativer KI. Beides liefert Orientierung, aber keinen Wirksamkeitsnachweis für EDAG.ai. [2][3]
• Pilotbefunde nicht verallgemeinern: Der NANDA-Bericht nennt erhebliche Schwierigkeiten, messbare finanzielle Effekte zu erzielen. Seine vorläufigen Befunde aus dem ersten Halbjahr 2025 sind keine allgemeingültige Ausfallquote für sämtliche KI-Projekte oder für Engineering-Anwendungen. [4]

 

KI im Engineering als gestaltetes System: Modelle, Wissensbestände, Werkzeuge und Prüfprozesse innerhalb einer kontrollierten Unternehmensumgebung. KI-generierte Symbolillustration, keine Darstellung der tatsächlichen EDAG.ai-Architektur.

 

Souveräne KI für das Engineering

Die EDAG Group entwickelt einen anpassbaren Engineering Harness, der Unternehmen die Kontrolle über ihre KI sichert: über Daten, Architektur und Kosten.

 

Künstliche Intelligenz ist überall – nur nicht in der Produktivitätsstatistik. Fast alle Unternehmen investieren in KI, doch laut dem MIT-Projekt NANDA erzielen nur fünf Prozent der KI-Pilotprojekte messbaren Geschäftswert. Hohe Kosten, fehlende Kontrolle über Daten und Systeme sowie unklarer wirtschaftlicher Nutzen stehen dem produktiven Einsatz im Weg.

Mit EDAG.ai stellt die EDAG Group nun einen neuen Ansatz vor, der künstliche Intelligenz konsequent von den Anforderungen der Produktentwicklung her denkt und Unternehmen dabei unterstützt, KI souverän und wirtschaftlich in ihren Entwicklungsprozessen zu verankern. EDAG.ai ist dabei weder ein weiteres KI-Modell noch ein standardisiertes Softwareprodukt. Große Sprachmodelle laufen zentral beim Anbieter. Per API lassen sie sich an die Daten eines Unternehmens anbinden, aber nicht tief in seine Prozesse integrieren. Im Mittelpunkt von EDAG.ai stehen deshalb KI-Systeme aus wiederverwendbaren Bausteinen, die an die Prozesse, Daten und Anforderungen des jeweiligen Unternehmens adaptiert werden.

 

Smart Data aus 7.000 Entwicklungsprojekten

Die besondere Stärke von EDAG.ai liegt in der Verbindung von KI-Expertise und jahrzehntelanger Engineering-Erfahrung. Als weltweit führender unabhängiger Engineering-Dienstleister bringt die EDAG Group das Wissen aus über 7.000 globalen Entwicklungsprojekten in mehr als 55 Jahren ein, von der E/E-Funktion über die Plattform bis zum Gesamtfahrzeug.

Anders als Consumer-AI braucht Enterprise-AI keine Big Data, sondern Smart Data: verdichtetes Wissen, optimiert für seinen Anwendungsfall. EDAG hat solche Smart Data aus seinen Projekten abgeleitet und in Engineering-Ontologien, Referenzmodellen wie einem eigenen Produktentstehungsprozess und Wissensbasen strukturiert. Verknüpft mit diesen Smart Data gewinnen die proprietären Daten des Kunden wirtschaftlichen Wert, während die Datenhoheit beim Kunden bleibt. Fachliche Standards und deterministische Regeln ergänzen die Modelle überall dort, wo Prozessdaten zuverlässig verarbeitet und Ergebnisse nachvollzogen werden müssen.

Unsere Erfahrung zeigt: Erfolgreiche Enterprise-AI-Vorhaben beginnen beim Anwendungsfall, nicht bei der Technologie. Dieses Wissen hat EDAG in den 5Cs der souveränen KI systematisiert. Mit dem Framework können Unternehmen anhand von Cost, Control, Compliance, Customization und Compounding prüfen, ob alle Voraussetzungen für eine wertschöpfende, maßgeschneiderte KI erfüllt sind, bevor sie investieren.

»Der Markt fragt immer, welches Modell das Beste ist. Für Unternehmen ist das die falsche Frage. Der Wert eines Modells entsteht erst in einem sogenannten Harness, einer Infrastruktur, die das Modell mit Werkzeugen, Gedächtnis und Daten versorgt und seine Arbeit steuert. Benchmarks zeigen: Ein und dasselbe Spitzenmodell löst in einem spezialisierten Harness drei Viertel der Aufgaben, in einem generischen nur knapp mehr als die Hälfte«, erklärt Gabriel Seiberth, Executive Vice President Electrics/Electronics bei der EDAG Group. »Erfolgreiche Enterprise-AI entsteht deshalb nicht durch das Abonnieren der APIs von Frontier Labs, sondern durch souveräne, aufgabenoptimierte Harnesses. Nur dort kann sich Wissen akkumulieren. Und: Ein Modell neu zu trainieren kostet Millionen, ein System zu erweitern einen Bruchteil davon. Daher entwickeln wir einen spezifischen Engineering Harness: Er verknüpft Domänenwissen, Daten, Prozesse und Modelle und macht sie auf Unternehmensebene verfügbar.«

 

Ein Harness, optimiert für Engineering

Lange lag der Fokus auf AGI, einer generellen KI für alle Anwendungen. Technologisch galt: »Scale is all you need«, mehr Daten, mehr Rechenleistung. Mit dem Begriff Harness, den Anthropic Ende 2025 für KI-Agenten prägte, beginnt sich die Gegenthese durchzusetzen: KI ist ein gestaltetes System aus Modell und umgebender Struktur, und die Bedeutung der Struktur wächst rasant. Harnesses sind aufgabenspezifisch: Coding, Cybersecurity und Theorem Proving zum Beispiel brauchen jeweils einen eigenen. Folglich auch Product Engineering. Autos sind die komplexesten Konsumgüter der Welt, cyber-physische Systeme mit der Rechenleistung eines kleinen Rechenzentrums. Zudem ist ihre Entwicklung stark reguliert: Jedes Ergebnis muss gegen Normen prüfbar und über alle Domänen hinweg von der Anforderung bis zur Freigabe nachvollziehbar sein. Der Engineering Harness von EDAG ist der erste, der für diesen Anwendungsfall optimiert wird. Er ist bewusst nie fertig: Neue Modelle und Methoden nimmt er auf, sobald sie verfügbar sind. Und mit jeder Integration und Nutzung sammelt sich in ihm Wissen an, das dem Unternehmen gehört.

»Nur wer die Struktur um das Modell beherrscht, hat die Hebel für Enterprise-Value in der Hand«, so Seiberth.

 

Souveränität statt API

Das Internet ist als Quelle für Trainingsdaten weitgehend ausgeschöpft. Jetzt stehen proprietäre Daten im Fokus, vor allem für Physical AI. Je wichtiger proprietäre Daten werden, desto entscheidender ist die Kontrolle über sie. Digitale Souveränität steht deshalb im Mittelpunkt von EDAG.ai: Your data. Your AI.

Der Engineering Harness basiert auf einer offenen, modularen Plattform, deren Komponenten sich erweitern oder ersetzen lassen. Bei der Nutzung über eine API entscheidet der Anbieter, welches Modell eine Aufgabe übernimmt, welche Werkzeuge es nutzt, was es kostet und wann es sich ändert. Bei EDAG.ai entscheidet das Unternehmen, und in einer Technologielandschaft, die sich so schnell wandelt, bindet es sich an keinen isolierten Ansatz. Plattform und Ontologien laufen überall und können vollständig an den Kunden übergeben werden. Für Branchen mit hohen Anforderungen an Datenschutz, Nachvollziehbarkeit und geistiges Eigentum wie die Automobil- und Defenceindustrie ist das die Voraussetzung für einen regulatorisch absicherbaren KI-Einsatz.

Neben diesen Bausteinen bietet EDAG einsatzfertige KI-Anwendungen, etwa für Coding, Cybersecurity und Requirements Engineering sowie für zahlreiche weitere Aufgaben entlang des Produktentwicklungsprozesses. Sie lassen sich sofort einsetzen oder an kundenspezifische Daten, Prozesse und Anforderungen anpassen.

EDAG.ai ist damit der Partner für Unternehmen, die KI als strategische Fähigkeit aufbauen wollen, die sie selbst beherrschen.

 

Praxistipps für IT- und Entwicklungsverantwortliche

1. Einen begrenzten Anwendungsfall auswählen: Starten Sie beispielsweise mit der Recherche in freigegebenen technischen Dokumenten oder der Vorbereitung von Anforderungsreviews. Definieren Sie Eingangsdaten, erwartete Ergebnisse und fachliche Abnahme, bevor Sie Modelle vergleichen. Empfehlungen zur Risikoeinordnung bietet NIST. [3]
2. Den Geschäftswert vorab messbar machen: Erfassen Sie heutige Bearbeitungszeit, Prüfaufwand und Fehlerkorrekturen. Vergleichen Sie im Pilotbetrieb die gesamte Prozessleistung einschließlich menschlicher Nacharbeit, nicht nur die Geschwindigkeit der Antwort. Die NANDA-Untersuchung unterscheidet ausdrücklich zwischen individueller Produktivität und finanzieller Wirkung. [4]
3. Datenhoheit als Prüfliste formulieren: Fragen Sie nach Speicherorten, Zugriffsrechten, Protokollierung, Löschfristen und der Verwendung von Kundendaten. Lassen Sie sich erklären, welche Kontrollen technisch umgesetzt und welche lediglich vertraglich zugesichert sind. Nutzen Sie die EDAG-»5Cs« als Gesprächsstruktur, nicht als Ersatz für eine Prüfung. [1][3]
4. Das Gesamtsystem testen: Prüfen Sie Datenzugriff, Werkzeugaufrufe, Übergaben und fachliche Ergebnisse gemeinsam. Legen Sie Testfälle für unvollständige Dokumente und widersprüchliche Anforderungen an. Anthropic beschreibt inkrementelles Arbeiten mit strukturierten Übergaben und End-to-End-Tests in seinem Coding-Beispiel. [2]
5. Austauschbarkeit nachweisen lassen: Fordern Sie eine Demonstration des Modellwechsels und des Exports relevanter Wissensbestände, Konfigurationen und Protokolle. Klären Sie Lizenzrechte und Übergabeumfang schriftlich. EDAG beschreibt seine Plattform als modular und übergebbar; daraus folgt noch kein Nachweis für jeden Kundenbetrieb. [1]
6. Fachliche Freigaben und Betrieb einplanen: Benennen Sie Verantwortliche für Abnahme, Änderungen und Vorfälle. Budgetieren Sie neben Modellkosten auch Integration, Datenpflege, Tests und laufende Überwachung. Orientieren Sie die Risikobewertung am konkreten Einsatz und halten Sie Freigabeentscheidungen nachvollziehbar fest. [3]

 

FAQ: Zehn Fragen zu souveräner KI im Engineering

1. Was ist ein Engineering Harness?

EDAG verwendet den Begriff für eine auf die Produktentwicklung zugeschnittene Struktur, die Modelle, Daten, Domänenwissen und Prozesse verbindet. Ein Harness ist damit nicht einfach ein weiteres KI-Modell. Anthropic beschreibt einen Agent Harness als Umgebung zur Werkzeugnutzung und Kontextverwaltung und zeigt eine konkrete Umsetzung mit Initialisierung, Fortschrittsdokumentation und Tests. Diese Coding-Architektur ist jedoch nicht mit einer validierten Engineering-Lösung gleichzusetzen. [1][2]

2. Ist EDAG.ai ein eigenes Sprachmodell oder ein Standardprodukt?

Nach der Unternehmensmeldung ist EDAG.ai weder ein weiteres KI-Modell noch ein standardisiertes Softwareprodukt. Beschrieben werden wiederverwendbare Bausteine, die an kundenspezifische Daten, Prozesse und Anforderungen angepasst werden, sowie Anwendungen unter anderem für Coding und Requirements Engineering. [1] [Unverified] Welche konkrete Konfiguration, Leistungsfähigkeit und Verfügbarkeit für einen einzelnen Kunden angeboten wird, geht aus den hier recherchierten Quellen nicht hervor. Ich kann das nicht überprüfen.

3. Was bedeuten die »5Cs« der souveränen KI?

EDAG nennt Cost, Control, Compliance, Customization und Compounding. Gemeint sind die Prüfung von Kosten, Kontrolle, Regelanforderungen, Anpassbarkeit und dem Aufbau nutzbaren Wissens. Es handelt sich um das Framework des Anbieters, nicht um einen in den recherchierten Quellen belegten allgemeinen Zertifizierungsstandard. Für einen Auswahlprozess empfiehlt sich, jede Kategorie mit konkreten Nachweisen zu hinterlegen: etwa Kostenmodell, Berechtigungen, dokumentierte Prüfverfahren, Anpassungsumfang und Rechte an gespeicherten Wissensbeständen. [1]

4. Was versteht EDAG unter »Smart Data«?

Der Anbieter bezeichnet damit anwendungsbezogen verdichtetes Engineering-Wissen, das in Ontologien, Referenzmodellen und Wissensbasen strukturiert wird. Die Unternehmensdarstellung verweist auf Erfahrung aus über 7.000 Entwicklungsprojekten. Diese Zahl beschreibt den angegebenen Erfahrungshintergrund, nicht automatisch den Umfang eines für Kunden zugänglichen Trainingsdatensatzes. Für die praktische Prüfung sollten Unternehmen nach Herkunft, Aktualität, Nutzungsrechten und fachlicher Validierung der tatsächlich eingesetzten Wissensbestände fragen. [1]

5. Schließt die Nutzung einer API souveräne KI aus?

[Inference] Aus den recherchierten Architekturbeispielen lässt sich eine pauschale Gleichsetzung von API-Nutzung und fehlender Souveränität nicht ableiten. Eine API bezeichnet zunächst eine Schnittstelle; für eine Beschaffungsentscheidung sollten Datenflüsse, Betreiberzugriff, Nutzungsrechte und technische Wechselmöglichkeiten separat geprüft werden. Anthropic beschreibt einen Harness auf SDK-Basis, EDAG betont die Kontrolle über die umgebende Struktur. Keine der beiden Darstellungen ersetzt die Prüfung einer konkreten Betriebsarchitektur. [1][2][3]

6. Belegt der NANDA-Bericht, dass 95 Prozent aller KI-Projekte scheitern?

Nein, eine solche universelle Aussage ist durch diese Untersuchung nicht gedeckt. Der Bericht bezeichnet seine Ergebnisse als vorläufig und basiert auf einer Auswertung von mehr als 300 öffentlich dargestellten KI-Initiativen, Interviews mit Vertretern von 52 Organisationen und Antworten von 153 Führungskräften. Der Untersuchungszeitraum war Januar bis Juni 2025. Im Mittelpunkt stehen generative KI und messbare finanzielle Effekte. Fehlender nachgewiesener Gewinn ist zudem nicht identisch mit fehlendem Nutzen jeder einzelnen Anwendung. Die Autoren erklären ausdrücklich, dass ihre Ansichten nicht die Positionen ihrer Arbeitgeber repräsentieren. [4]

7. Welche Rolle spielen Tests und menschliche Freigaben?

NIST stellt einen freiwilligen Risikomanagementrahmen für Entwicklung, Nutzung und Bewertung von KI bereit. Für Engineering-Vorhaben empfiehlt sich darauf aufbauend, fachliche Abnahmekriterien, Verantwortlichkeiten und dokumentierte Prüfungen festzulegen. [3] [Inference] Anthropic berichtet auf Basis beobachteter Muster seines Coding-Versuchs über unvollständig dokumentierte Arbeit und vorzeitige Fertigmeldungen von Agenten; daraus folgt keine Aussage über jedes Sprachmodell oder EDAG.ai. Das Beispiel unterstreicht den Prüfbedarf bei länger laufenden Arbeitsabläufen. [2]

8. Wie lässt sich der wirtschaftliche Nutzen bewerten?

Empfehlenswert ist ein Vorher-nachher-Vergleich desselben klar abgegrenzten Prozesses. Erfassen Sie Bearbeitungszeit, fachliche Qualität, Nacharbeit und Betriebskosten einschließlich Integration und Pflege. Unterscheiden Sie zwischen eingesparter Arbeitszeit, zusätzlichem Durchsatz und tatsächlich realisierten finanziellen Effekten. Der NANDA-Bericht hebt gerade diese Differenz zwischen individueller Produktivität und Wirkung auf Gewinn und Verlust hervor. [4] [Unverified] Eine belastbare Renditekennzahl für EDAG.ai enthält das recherchierte Material nicht. Ich kann das nicht überprüfen.

9. Bedeutet ein »Gedächtnis« im Harness, dass das Modell weitertrainiert wird?

Anthropics Beispiel verwendet Fortschrittsdateien, Aufgabenlisten und Versionshistorien zur Übergabe zwischen Sitzungen. Das ist dokumentierte Zustandsverwaltung und kein in diesem Beispiel beschriebenes erneutes Training des Modells. [2] [Inference] Auf Basis der dort beobachteten Arbeitsmuster sollte »lernendes System« deshalb nicht ohne Erläuterung mit einer dauerhaften Veränderung der Modellparameter gleichgesetzt werden. Bei EDAG.ai empfiehlt sich die Nachfrage, welche Informationen gespeichert werden, wie sie geprüft werden und wer über ihre weitere Nutzung entscheidet. [1]

10. Sind die Führungs- und Benchmarkaussagen im Ausgangstext unabhängig belegt?

[Unverified] Für die Aussage, EDAG entwickle den ersten für diesen Anwendungsfall optimierten Engineering Harness, und für den konkreten Vergleich »drei Viertel« gegenüber »knapp mehr als der Hälfte« liegt in den hier recherchierten Quellen kein unabhängiger, nachvollziehbarer Nachweis mit Testaufbau vor. Ich kann das nicht überprüfen. Die Unternehmensmeldung ist als Anbieterquelle zu behandeln. Anthropic dokumentiert zwar Harness-Konzepte, bestätigt damit aber weder EDAGs Vorrang noch dessen konkrete Benchmarkzahl. Vor einer redaktionellen Übernahme empfiehlt sich die Anforderung von Benchmarkname, Modellversion, Aufgabenbestand und Auswertungsmethode. [1][2]

Quellen und Recherchehinweise

Recherchestand: 4. November 2026. Die Bezugszeichen [1] bis [4] verweisen auf die folgenden Quellen. Empfehlungen sind als Praxistipps formuliert; Anbieterangaben sind keine unabhängigen Leistungsnachweise. Die redaktionellen Ergänzungen enthalten ausdrücklich gekennzeichnete Schlussfolgerungen und nicht überprüfbare Angaben. Der Originalartikel bleibt davon getrennt und unverändert.

[1] EDAG Engineering Group AG: »EDAG.ai: Souveräne KI für das Engineering«, https://edag.ai/de  

[2] Anthropic: »Effective harnesses for long-running agents«, 26. November 2025. Technischer Anbieterbeitrag zu Kontextübergaben und Tests für länger laufende Coding-Agenten. URL: https://www.anthropic.com/research/effective-harnesses-for-long-running-agents

[3] NIST: »Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile«, NIST AI 600-1, Juli 2024. Freiwillige Orientierung für Risiken generativer KI, keine Zertifizierung von EDAG.ai. URL: https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf

[4] Aditya Challapally, Chris Pease, Ramesh Raskar und Pradyumna Chari: »The GenAI Divide: State of AI in Business 2025«, Project NANDA, Juli 2025. Vorläufige Forschungsbefunde; hier verwendete öffentlich zugängliche PDF-Kopie bei AI News. URL: https://artificialintelligence-news.com/wp-content/uploads/2025/08/ai_report_2025.pdf

Management Summary, Tipps, FAQ und Bilder wurden mit Hilfe von KI erstellt