Illustration Absmeier foto ki designer

Der digitale Faden verbindet Produktdaten und Entscheidungen über Entwicklung, Fertigung und Betrieb hinweg. Bild: KI-generierte Illustration.

KI-gestütztes Product Lifecycle Management soll Entwicklungsdaten, Simulationen und Entscheidungen über den gesamten Fahrzeuglebenszyklus verbinden. Der strategische Nutzen entsteht jedoch nicht durch einzelne Algorithmen, sondern durch verlässliche Daten, offene Schnittstellen, überprüfbare Modelle und klare Verantwortlichkeiten. Damit wird PLM vom technischen Archiv zur Steuerungsinstanz der digitalen Produktentwicklung.

Management Summary

PLM wird zur Daten- und Entscheidungsplattform: Der durchgängige digitale Faden verbindet Konstruktion, Simulation, Fertigung, Einkauf und Service.
KI skaliert nur mit belastbaren Daten: Einheitliche Modelle, dokumentierte Herkunft, Versionierung und Zugriffsregeln sind wichtiger als isolierte Pilotprojekte.
Digitale Zwillinge benötigen Nachweise: Modelle und Ergebnisse müssen verifiziert, validiert und hinsichtlich ihrer Unsicherheit bewertet werden [4].
Governance gehört in den Lebenszyklus: Das NIST strukturiert KI-Risikomanagement mit den Funktionen Govern, Map, Measure und Manage; ISO/IEC 42001 ergänzt einen organisationsweiten Managementrahmen [1] [2].
Menschliche Verantwortung bleibt zentral: Bei sicherheitsrelevanten oder regulatorisch sensiblen Entscheidungen müssen Zuständigkeiten, Freigaben und Eingriffsmöglichkeiten eindeutig geregelt sein [3].

Von Einzellösungen zum durchgängigen digitalen Faden

In der industriellen Produktentwicklung kommen KI-Anwendungen bisher häufig in einzelnen Prozessschritten zum Einsatz. Sie unterstützen beispielsweise bei Materialkostenanalysen, Zertifizierungs- und Zulassungsprozessen, Fehlererkennung oder Softwareentwicklung. Der nächste Entwicklungsschritt besteht darin, diese Anwendungen über Abteilungs- und Prozessgrenzen hinweg zu verbinden.

Eine zentrale PLM-Architektur kann dafür Produktdaten, Prozesse und technische Anwendungen entlang des gesamten Lebenszyklus zusammenführen. Ziel ist ein konsistenter digitaler Faden, über den Beteiligte auf aktuelle Informationen, einheitliche Datenmodelle und klar definierte Standards zugreifen. Abstimmungen sollen dadurch einfacher und Abhängigkeiten zwischen technischen, wirtschaftlichen und regulatorischen Anforderungen früher sichtbar werden.

Hohe Erwartungen an Zeit- und Effizienzgewinne

Nach Angaben des Unternehmens könnte die neue Plattform die Entwicklungszeit neuer Fahrzeuge um rund 17 Monate beziehungsweise bis zu 30 Prozent verkürzen. Für einzelne Engineering-Prozesse werden Effizienzsteigerungen von bis zu 50 Prozent erwartet. Diese Werte sind Zielgrößen des Transformationsprogramms und lassen sich auf Grundlage der vorliegenden Informationen nicht unabhängig überprüfen.

Entscheidend ist dabei nicht allein die Automatisierung einzelner Aufgaben. Der größere Hebel liegt in einer verbesserten Entscheidungsgrundlage: Relevante Informationen sollen früher verfügbar sein, Wechselwirkungen transparenter werden und Fachbereiche enger zusammenarbeiten. Ob sich die erwarteten Effekte tatsächlich einstellen, hängt unter anderem von Datenqualität, Systemintegration, Nutzerakzeptanz und der konsequenten Standardisierung der Prozesse ab.

Simulationen ergänzen physische Tests

KI-gestützte Simulationen und digitale Zwillinge können Varianten schneller vergleichen und physische Tests gezielter vorbereiten. Das Unternehmen hält perspektivisch eine Halbierung bestimmter physischer Tests für möglich. Auch diese Angabe beschreibt eine Erwartung und keinen bereits nachgewiesenen Effekt.

Ein typischer Anwendungsfall ist die Gewichtsoptimierung. Änderungen an Bauteilen wirken sich zugleich auf Kosten, Crashverhalten, Hard- und Softwarefunktionen sowie Fertigungsprozesse aus. Spezialisierte KI-Agenten können solche Abhängigkeiten parallel analysieren und Entwicklungsteams mehrere Lösungswege zur Bewertung bereitstellen. Die abschließende Produktentscheidung soll weiterhin bei den verantwortlichen Fachleuten liegen.

Offene Architektur und Datensouveränität

Für die technische Umsetzung setzt das Projekt auf einen modularen PLM-Kern sowie Lösungen für Fahrzeugdesign, Simulation und digitale Absicherung. Zwei Technologieanbieter liefern dafür Plattformkomponenten und Engineering-Werkzeuge. Die Gesamtarchitektur, Datenmodelle, Governance und globale Einführung verantwortet der Automobilhersteller selbst.

Dieser Ansatz soll verhindern, dass Daten und Anwendungen in voneinander getrennten Systemen verbleiben. Gleichzeitig gewinnt die Frage an Bedeutung, wer Daten, Modelle und Zugriffsrechte kontrolliert. Nach Darstellung des Unternehmens sollen sowohl die Produktdaten als auch die darauf aufbauenden KI-Modelle unter eigener Kontrolle bleiben.

Governance wird zum Erfolgsfaktor

Mit einem Investitionsvolumen von rund einer halben Milliarde Euro zählt das Vorhaben zu den umfangreichen Transformationsprogrammen in der industriellen Produktentwicklung. Der finanzielle Aufwand allein entscheidet jedoch nicht über den Erfolg. Notwendig sind belastbare Datenmodelle, klar geregelte Verantwortlichkeiten, nachvollziehbare KI-Ergebnisse und verbindliche Qualitäts- und Sicherheitsprozesse.

Darüber hinaus müssen Unternehmen festlegen, in welchen Prozessschritten KI lediglich Empfehlungen liefert und wo automatisierte Entscheidungen zulässig sind. Besonders in sicherheitskritischen Entwicklungsbereichen bleiben Prüfmechanismen, dokumentierte Freigaben und menschliche Verantwortung unverzichtbar.

Tipps für die Praxis

Sieben Hebel für den kontrollierten Einstieg in KI-gestütztes PLM. Bild: KI-generierte Infografik.

Ausführliche Tipps mit Praxisbeispielen

1. Mit einem klaren Geschäftsproblem starten

Der Einstieg sollte nicht mit der Frage beginnen, welche KI-Technologie verfügbar ist, sondern welches konkrete Problem im Produktentstehungsprozess gelöst werden soll. Geeignete Anwendungsfälle besitzen einen klaren Prozessverantwortlichen, ausreichend belastbare Daten und eine messbare Zielgröße. Vor dem Pilotprojekt sollten Unternehmen Ausgangswert, Zielwert, betrachteten Prozessabschnitt und erwartete Nebenwirkungen dokumentieren. Sinnvolle Kennzahlen sind beispielsweise Durchlaufzeit, Zahl der Änderungsschleifen, Nacharbeitskosten oder Zeit bis zur technischen Freigabe.

Praxisbeispiel: Ein Entwicklungsteam stellt fest, dass die Prüfung von Änderungsanträgen regelmäßig mehrere Arbeitstage beansprucht. Statt eine allgemeine KI-Plattform einzuführen, startet es mit einem begrenzten Assistenten, der betroffene Stücklisten, Anforderungen und Prüfnachweise zusammenführt. Der Pilot gilt nur dann als erfolgreich, wenn sich die Vorbereitungszeit verkürzt, ohne dass mehr fehlerhafte oder unvollständige Freigaben entstehen.

2. Datenverantwortung verbindlich festlegen

KI-Anwendungen im PLM greifen auf Konstruktionsstände, Stücklisten, Anforderungen, Simulationen, Testergebnisse und Felddaten zu. Für jede relevante Datenklasse sollten deshalb fachliche Eigentümer, Qualitätsregeln, zulässige Verwendungszwecke und Aufbewahrungsfristen feststehen. Zusätzlich braucht es eine nachvollziehbare Versionierung: Teams müssen erkennen können, mit welchem Datenstand ein Modell trainiert, geprüft oder für eine Empfehlung genutzt wurde. Zugriffsrechte sollten dem Schutzbedarf und der jeweiligen Rolle entsprechen.

Praxisbeispiel: Für historische Fehlerberichte übernimmt die Qualitätsorganisation die fachliche Verantwortung, während die IT technische Verfügbarkeit und Berechtigungen absichert. Vor der Nutzung für ein KI-Modell werden Dubletten, uneinheitliche Fehlercodes und personenbezogene Inhalte geprüft. Jede Modellversion verweist anschließend auf den freigegebenen Datenbestand und dessen Gültigkeitszeitraum.

3. Offene Schnittstellen und Portabilität verlangen

Eine PLM-Plattform wird langfristig zum Integrationspunkt zahlreicher Fachanwendungen. Beschaffung und Architekturmanagement sollten daher nicht nur Funktionslisten bewerten, sondern auch dokumentierte Schnittstellen, standardisierte Austauschformate, Ereigniszugriffe, Exportmöglichkeiten und die Übertragbarkeit von Modellen berücksichtigen. Verträge sollten regeln, in welcher Form Daten und Metadaten bei einem Anbieterwechsel bereitgestellt werden. Ein Exit-Test während des Pilotprojekts ist aussagekräftiger als eine rein vertragliche Zusicherung.

Praxisbeispiel: Ein Unternehmen lässt vor der Plattformentscheidung einen vollständigen Produktdatensatz einschließlich Varianten, Beziehungen, Freigabestatus und Änderungsverlauf exportieren. Ein unabhängiges Team prüft, ob sich die Informationen in einer neutralen Testumgebung wieder einlesen und fachlich korrekt interpretieren lassen. Auf diese Weise werden Abhängigkeiten sichtbar, bevor sie den späteren Betrieb prägen.

4. Digitale Zwillinge verifizieren und validieren

Ein digitaler Zwilling ist nur innerhalb eines definierten Gültigkeitsbereichs belastbar. Unternehmen sollten deshalb dokumentieren, welche Annahmen, Randbedingungen, Messdaten und Modellversionen einem Ergebnis zugrunde liegen. Verifikation prüft, ob das Modell technisch korrekt implementiert wurde; Validierung untersucht, ob es den vorgesehenen realen Anwendungsfall hinreichend abbildet. Abweichungen zwischen Simulation und physischem Test sollten systematisch erfasst und für die Weiterentwicklung genutzt werden [4].

Praxisbeispiel: Ein virtuelles Batteriemodell wird zunächst mit Prüfstandsdaten für festgelegte Temperatur- und Lastbereiche abgeglichen. Außerhalb dieser Bereiche kennzeichnet das System Ergebnisse als nicht ausreichend abgesichert. Weichen virtuelle und reale Messwerte wiederholt voneinander ab, wird nicht automatisch weitergerechnet, sondern eine erneute Modellprüfung ausgelöst.

5. KI-Risiken kontinuierlich steuern

Eine einmalige Freigabe reicht für lernende oder regelmäßig aktualisierte Systeme nicht aus. Der Risikoprozess sollte Nutzungskontext, mögliche Fehlentscheidungen, betroffene Personengruppen, Sicherheitsfolgen und Abhängigkeiten von Daten oder Drittanbietern erfassen. Verantwortliche benötigen Schwellenwerte, ab denen Modelle neu bewertet, eingeschränkt oder außer Betrieb genommen werden. Die Funktionen Govern, Map, Measure und Manage des NIST AI RMF bieten dafür eine strukturierende Orientierung [1].

Praxisbeispiel: Ein Modell priorisiert potenziell kritische Konstruktionsänderungen. Das Team überwacht monatlich, wie viele tatsächlich kritische Fälle erkannt oder übersehen wurden. Verschiebt sich die Trefferquote nach einer Produktänderung deutlich, wird der Einsatzbereich begrenzt, bis Datenbasis und Modell erneut geprüft sind.

6. Menschliche Eingriffspunkte definieren

Für jeden Anwendungsfall sollte klar sein, ob die KI informiert, empfiehlt, vorbereitet oder selbstständig handelt. Je größer die mögliche Auswirkung auf Sicherheit, Compliance, Kosten oder Termine, desto eindeutiger müssen Freigaberechte und Übersteuerungsmöglichkeiten geregelt sein. Fachleute benötigen verständliche Informationen über Datenbasis, Unsicherheit und Grenzen einer Empfehlung. Außerdem sollten Eskalationswege und ein kontrollierter Stopp des Systems praktisch erprobt werden [3].

Praxisbeispiel: Eine KI schlägt vor, auf einen physischen Test zu verzichten, weil Simulationen eine geringe Ausfallwahrscheinlichkeit zeigen. Die Entscheidung darf jedoch erst nach Prüfung durch Simulation, Qualitätssicherung und den verantwortlichen Freigabeingenieur fallen. Bei widersprüchlichen Eingangsdaten wird der Vorschlag automatisch zur manuellen Klärung weitergeleitet.

7. Nutzen mit Baselines und Kontrollgrößen belegen

Vor der Einführung sollten Unternehmen den Ist-Zustand messen und festlegen, welche Veränderungen der KI zugerechnet werden können. Neben Produktivitätskennzahlen gehören Qualitäts-, Risiko- und Akzeptanzwerte in das Messmodell. Ein Vergleich mit einer Kontrollgruppe oder einem unveränderten Referenzprozess hilft, Effekte von saisonalen Schwankungen, Personaländerungen oder parallelen Prozessverbesserungen zu trennen. Ergebnisse sollten über mehrere Entwicklungszyklen betrachtet werden.

Praxisbeispiel: Zwei vergleichbare Entwicklungsteams bearbeiten ähnliche Änderungspakete; nur eines nutzt den neuen KI-Assistenten. Gemessen werden Bearbeitungszeit, Rückfragen, nachträgliche Korrekturen und Nutzerakzeptanz. Eine Skalierung erfolgt erst, wenn die Zeitersparnis nicht durch höhere Nacharbeit oder zusätzliche Prüfkosten aufgehoben wird.

Fazit

Das Projekt verdeutlicht den Wandel des Product Lifecycle Managements von einer technischen Datenablage zu einer unternehmensweiten Steuerungsplattform. Werden Produktdaten, Simulationen und KI-Anwendungen konsequent miteinander verknüpft, können Entwicklungsprozesse transparenter und schneller werden. Der tatsächliche Nutzen wird sich jedoch erst daran messen lassen, ob die Plattform im operativen Einsatz belastbare Zeit- und Qualitätsgewinne erzielt, ohne Sicherheit, Datenschutz und Nachvollziehbarkeit zu schwächen.

FAQ: KI-gestütztes Product Lifecycle Management

Was bedeutet KI-gestütztes PLM?
Es bezeichnet die Einbindung von KI-Funktionen in die Verwaltung von Produktdaten und Entwicklungsprozessen – etwa für Analysen, Variantenbewertungen, Prognosen oder Assistenzfunktionen. Die KI ersetzt dabei nicht die PLM-Basis, sondern nutzt deren Daten und Prozesskontext.
Was ist der digitale Faden?
Der digitale Faden ist die nachvollziehbare Verbindung von Daten und Arbeitsergebnissen über Lebenszyklusphasen und Fachdomänen hinweg. Praktisch bedeutet das: Änderungen, Anforderungen, Modelle, Simulationen und Freigaben bleiben miteinander verknüpft.
Wie unterscheidet sich ein digitaler Zwilling von einer Simulation?
Eine Simulation untersucht ein Verhalten in einem definierten Modell. Ein digitaler Zwilling ist darüber hinaus als synchronisiertes virtuelles Abbild eines physischen Systems angelegt und kann Daten für Diagnose, Vorhersage und Optimierung aufnehmen. NIST betont hierfür Interoperabilität, Vertrauenswürdigkeit sowie Verifikation und Validierung [4].
Welche Datenqualität benötigt KI im PLM?
Erforderlich sind unter anderem eindeutige Definitionen, dokumentierte Herkunft, konsistente Versionen, geeignete Zugriffsrechte und für den Zweck repräsentative Daten. Unvollständige oder widersprüchliche Daten können Analysen und Empfehlungen verfälschen.
Welche Rolle spielt menschliche Aufsicht?
Sie muss zum Risiko und Nutzungskontext passen. Für regulierte Hochrisiko-KI sieht der EU AI Act Anforderungen an eine wirksame Aufsicht durch natürliche Personen vor; dazu gehören Verständnis der Grenzen, die Möglichkeit zur Überwachung und gegebenenfalls zum Eingreifen [3].
Wie lässt sich KI-Governance organisatorisch aufbauen?
Das NIST AI RMF strukturiert das Risikomanagement in Govern, Map, Measure und Manage. ISO/IEC 42001 beschreibt Anforderungen an ein KI-Managementsystem mit Richtlinien, Zuständigkeiten, Risikobehandlung, Leistungsbewertung und kontinuierlicher Verbesserung [1] [2].
Gilt der EU AI Act automatisch für jede PLM-KI?
Nein. Entscheidend sind Zweck, Nutzungskontext und Risikokategorie des konkreten KI-Systems. Die Verordnung folgt einem risikobasierten Ansatz; bei Hochrisiko-Anwendungen gelten strengere Anforderungen. Die Einordnung sollte juristisch und technisch geprüft werden [3].
Wie bleibt ein Unternehmen gegenüber Plattformanbietern souverän?
Wesentlich sind dokumentierte Datenmodelle, standardisierte Schnittstellen, Exportmöglichkeiten, portable Modelle, klare Rechte an Daten und Ergebnissen sowie ein getesteter Ausstiegsplan. Souveränität ist damit eine Architektur- und Vertragsfrage.
Welche Kennzahlen eignen sich für den Business Case?
Sinnvoll sind Durchlaufzeit, Zahl und Dauer von Änderungsschleifen, Fehler- und Nacharbeitsquote, Testabdeckung, Wiederverwendungsgrad von Daten, Aufwand für Nachweise sowie Zeit bis zur Freigabe. Ausgangswerte sollten vor Projektbeginn erfasst werden.
Wie sollte ein Unternehmen beginnen?
Mit einem begrenzten, messbaren Anwendungsfall und einer geklärten Datenbasis. Danach folgen Risikobewertung, Verantwortlichkeiten, Schnittstellen, Validierungskriterien und ein kontrollierter Pilot. Erst bei nachgewiesenem Nutzen und beherrschten Risiken sollte skaliert werden [1] [2].

Quellen

[1] NIST, Artificial Intelligence Risk Management Framework (AI RMF): https://www.nist.gov/itl/ai-risk-management-framework

[2] ISO, ISO/IEC 42001:2023 – Artificial Intelligence Management System: https://www.iso.org/standard/42001

[3] EUR-Lex, Verordnung (EU) 2024/1689 über künstliche Intelligenz, geltende Fassung: https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=CELEX%3A02024R1689-20240712&locale=de

[4] NIST, Digital Twins for Advanced Manufacturing: https://www.nist.gov/programs-projects/digital-twins-advanced-manufacturing

[5] NIST, Manufacturing Digital Twin Standards: https://www.nist.gov/publications/manufacturing-digital-twin-standards

Management Summary, FAQ und Bild wurden mit Hilfe von KI erstellt

Mercedes-Benz digitalisiert mit PLM.AI die gesamte globale Produktentstehung und beschleunigt die Prozesse bis zu 30 %

Das neue Product Lifecycle Management (PLM) vernetzt mit künstlicher Intelligenz Entwicklung, Produktion, Einkauf, Vertrieb und After-Sales über den gesamten Produktlebenszyklus, um Innovationen schneller zur Serienreife zu bringen
Mercedes-Benz verkürzt damit die Entwicklungszeit neuer Fahrzeuge um rund 17 Monate, in einzelnen Engineering-Prozessen werden Effizienzsteigerungen von bis zu 50 Prozent erwartet
Bei dem Transformationsprogramm unterstützen zwei starke Technologiepartner: CONTACT Software liefert das offene Kernsystem der Plattform; Siemens baut seine langjährige Partnerschaft mit Mercedes-Benz in den Bereichen Physical Design und digitale Absicherung weiter aus

Paradigmenwechsel in der Produktentstehung: Mit PLM.AI (Product Lifecycle Management) schafft Mercedes-Benz ein KI-natives digitales Rückgrat. Dabei entsteht eine durchgängige, intelligente Wissensbasis, die Entwicklung, Einkauf, Produktion, Vertrieb und After-Sales miteinander vernetzt. So können neue Produkte und Technologien künftig schneller, effizienter und nachhaltiger zur Serienreife gebracht werden. Die Entwicklungszeit kann so um bis zu 30 Prozent verkürzt werden, in einzelnen Engineering-Prozessen werden Effizienzsteigerungen von bis zu 50 Prozent erwartet.

Dabei ist die Verkürzung der Entwicklungszeit kein Kompromiss. Es geht vielmehr darum, die Teams zu unterstützen, früher bessere Entscheidungen zu treffen, indem die richtigen Personen zur richtigen Zeit auf die richtigen Informationen zugreifen können. Das reduziert Komplexität, beschleunigt Innovationen und ermöglicht es, neue Technologien schneller zu den Kundinnen und Kunden zu bringen. Gleichzeitig bleibt der Anspruch an Qualität und Sicherheit unverändert hoch. Ein mit PLM.AI entwickelter Mercedes-Benz bleibt unverwechselbar ein Mercedes-Benz – geprägt von derselben Handwerkskunst, Ingenieurskunst und Begehrlichkeit, nur schneller für Kundinnen und Kunden verfügbar.

»Mit PLM.AI schaffen wir das digitale Rückgrat für die Produktentstehung der Zukunft bei Mercedes-Benz und bringen neue Technologien bis zu 30 Prozent schneller zur Serienreife. Damit werden wir schneller, vernetzter und lernfähiger. Gleichzeitig schaffen wir die Grundlage, um Fahrzeugentwicklung, Produktion und Kundenerlebnis in einer neuen Dimension miteinander zu verbinden. Dabei bleiben unsere Ansprüche an Qualität, Sicherheit und Datenschutz unverändert hoch.«
Jörg Burzer, Vorstandsmitglied der Mercedes-Benz Group AG, Chief Technology Officer, Entwicklung & Einkauf

100 Prozent AI-ready: PLM-Daten werden systematisch für den Einsatz von KI nutzbar gemacht

Künstliche Intelligenz ist bei Mercedes-Benz bereits heute fester Bestandteil der Produktentstehung. KI-Agenten unterstützen bei der Optimierung von Materialkosten, bei Zertifizierungs- und Zulassungsprozessen, Fehlererkennung und -behebung sowie Softwareentwicklung. Diese KI-Agenten kommen vor allem innerhalb einzelner Prozessschritte zum Einsatz. Mit PLM.AI geht Mercedes-Benz nun den nächsten Schritt und vernetzt unterschiedliche Anwendungen über einzelne Entwicklungsschritte hinweg und hebt den Einsatz von KI damit auf die nächste Stufe. So entsteht ein durchgängiger digitaler Faden mit konsistenten Daten und klaren Standards. Informationen stehen in Echtzeit zur Verfügung, Abstimmungen werden vereinfacht und Innovationen schneller umgesetzt. Mit einem Investitionsvolumen von rund einer halben Milliarde Euro schafft
Mercedes-Benz damit die Voraussetzung für eine neue Generation der Produktentstehung: vernetzter, datengetriebener und intelligenter als je zuvor. Komplexe Zusammenhänge lassen sich ganzheitlicher bewerten und neue Technologien schneller in Kundennutzen übersetzen.

PLM.AI unterstützt Mitarbeitende dabei, komplexe Zusammenhänge bereichsübergreifend zu analysieren, relevante Informationen intelligent zu verknüpfen und Zielkonflikte frühzeitig sichtbar zu machen. KI-gestützte Simulationen und Entwicklungsprozesse ermöglichen es, physische Tests gezielter einzusetzen und perspektivisch zu halbieren. Dadurch können Ressourcen effizienter genutzt und Entwicklungen früher abgesichert werden. Der Mensch bleibt dabei im Mittelpunkt: Die Verantwortung für Produktentscheidungen liegt weiterhin bei den Teams.

Ein Beispiel ist die Gewichtsoptimierung. Änderungen an einzelnen Komponenten beeinflussen unter anderem Kosten, Crashverhalten, Hardware- und Softwarefunktionen sowie Produktionsprozesse. Spezialisierte KI-Agenten können diese Wechselwirkungen künftig simultan analysieren. Entwicklungsteams erhalten dadurch schneller ein ganzheitliches Bild und können Lösungen bewerten, die Sicherheit, Qualität und Wirtschaftlichkeit gemeinsam berücksichtigen. Auch im After-Sales-Bereich entstehen neue Potenziale durch die Verknüpfung von Produkt-, Service- und Betriebsdaten.

Zwei starke Technologiepartner für PLM.AI

Mit CONTACT Software und Siemens setzt Mercedes-Benz auf zwei strategische Technologiepartner. Gemeinsam leisten sie einen wesentlichen Beitrag zur Modernisierung der Produktentstehung und zur Umsetzung der PLM.AI-Architektur.

CONTACT Software stellt mit CONTACT Elements den offenen PLM-Core-Layer bereit. Damit schafft Mercedes-Benz die modulare und skalierbare Grundlage, um Produktdaten, Prozesse und Anwendungen entlang der Produktentstehung zu integrieren und zukünftige KI-Technologien flexibel einzubinden.

Siemens unterstützt Mercedes-Benz mit umfassenden Lösungen und Know-how in den Bereichen KI-gestütztes Fahrzeugdesign, Simulation und digitale Absicherung für den digitalen Zwilling. Auf Basis der gemeinsamen Daten- und Prozessgrundlage von PLM.AI können zentrale Entwicklungsbereiche miteinander vernetzt und beschleunigt werden.

Mercedes-Benz verantwortet die End-to-End-Transformation, definiert Zielbild, Zielarchitektur, Datenmodelle und Governance von PLM.AI, steuert die globale Umsetzung in einem agilen Transformationsprogramm und entwickelt das neue digitale Rückgrat kontinuierlich weiter. PLM.AI bildet künftig den Eckpfeiler des Engineering-Ökosystems von Mercedes-Benz – als Basis für eine vollständig integrierte, datengetriebene und KI-gestützte Entwicklung über alle Fahrzeugprogramme hinweg. Dabei behält Mercedes-Benz die volle Datensouveränität ebenso wie darauf basierende KI-Modelle, die auf dieser Basis entwickelt und genutzt werden.

170 Artikel zu „KI PLM“

Business | Business Process Management | Digitale Transformation | Effizienz | Favoriten der Redaktion | Industrie 4.0 | Infrastruktur | Künstliche Intelligenz | Nachhaltigkeit | New Work | News | Services | Strategien | Tipps

Physische KI: Wenn künstliche Intelligenz die reale Welt bewegt

20. September 2026

Physische KI – international häufig als Physical AI oder Embodied AI bezeichnet – beschreibt den nächsten Entwicklungsschritt der künstlichen Intelligenz: KI-Systeme verlassen den rein digitalen Raum und werden Teil von Robotern, Maschinen, Fahrzeugen, Drohnen, Medizingeräten oder industriellen Anlagen. Sie nehmen ihre Umgebung über Sensoren wahr, interpretieren Situationen, planen Handlungen und setzen diese über Aktoren in…