Das 2026 NAFEMS Americas Die Konferenz machte deutlich, dass die Diskussion um KI im digitalen Engineering deutlich an Fahrt aufgenommen hat. Vor einem Jahr waren die Sitzungen zu KI in der Simulation noch weitgehend explorativ. Dieses Jahr widmete sich ein beachtlicher Teil des Programms der KI-Implementierung, ihren Erfolgen, ihren Herausforderungen und den zukünftigen Entwicklungen. Die Anwendung von KI in verschiedenen Bereichen des Ingenieuralltags hat sich weltweit zum dominierenden Thema der NAFEMS-Konferenzen entwickelt und findet sich in nahezu allen Branchen und physikalischen Disziplinen wieder.

Agentenbasierte Entwicklung: Echte Wirkung, menschliche Zusammenarbeit erforderlich

Die Session zu agentengesteuerten Simulations-Workflows war eine der bestbesuchten der Konferenz. Im Mittelpunkt der Diskussion stand nicht die Frage, ob Agenten in die Softwareentwicklung gehören, sondern wie sie verantwortungsvoll eingesetzt werden können. Anwender wünschen sich klar definierte, workflowbasierte Anwendungsfälle: autonome Job-Orchestrierung, Fehlererkennung, Nachbearbeitung und strukturierte Berichterstellung. Ein weit gefasster Begriff der „agentengesteuerten Transformation“ stößt auf Skepsis. Konkrete Anwendungsfälle hingegen wecken Interesse.

Ein durchgängiges Thema in den Fragen und Antworten: Ingenieure wollen die Kontrolle behalten. Menschliche Eingriffe sind daher eine Designvoraussetzung. Die überzeugendsten Demos zeigten Agenten, die Entscheidungen den Ingenieuren präsentieren, anstatt sie stillschweigend zu treffen. Dieser Ansatz fand Anklang. Autonome Agenten, die Fehler erkennen (und für menschliches Eingreifen pausieren), wurden als deutlich vertrauenswürdiger wahrgenommen als solche, die Befehle einfach nur ausführen.

Die Umfrageergebnisse der Besucher des Rescale-Standes unterstreichen ein zentrales Thema der Veranstaltung: Die meisten (55 %) gaben an, dass sie immer noch manuell Die Übergabe von Ergebnissen zwischen Simulationsschritten – beispielsweise das Herunterladen von Ausgaben und das erneute Hochladen in das nächste Tool oder die Weitergabe an das nächste Team – wird durch agentenbasierte Workflow-Automatisierung bereits angegangen. Die Anwender machten jedoch deutlich, dass Vertrauen in dieser frühen Einführungsphase schrittweise aufgebaut werden muss.

KI-Physik: Hohes Interesse, hohe Validierungsanforderungen

Physikbasierte KI und Ersatzmodellierung lösten in mehreren Sitzungen und Gesprächen auf den Fluren intensive Diskussionen aus. Die Ingenieure unterschieden klar zwischen Ersatzmodellen, Modellen reduzierter Ordnung und physikbasierten neuronalen Netzen und legen für jedes Modell unterschiedliche Beweisstandards an.

Die Verfügbarkeit von Daten wurde am häufigsten als Implementierungshindernis genannt. Das Training eines Ersatzmodells erfordert strukturierte Simulationsdaten in großem Umfang, und für viele Teams existieren diese Daten entweder nicht in nutzbarer Form oder sind über unzusammenhängende Systeme verstreut. 

Ein Praktiker merkte an, dass manche Organisationen Simulationsdaten fortlaufend löschen, um Speicherplatz zu sparen und lediglich die Entscheidungsdaten zu behalten. Daraus folgt: Agentengesteuerte Arbeitsabläufe, die ungenutzte oder zuvor nicht verwendbare Daten aktivieren, sind eine entscheidende Voraussetzung für KI-Physik im großen Maßstab.

Was Praktiker fragen und testen

Die Fragerunden im Rahmen der Konferenz waren ebenso informativ wie die Präsentationen selbst. Einige Fragen tauchten immer wieder auf und verdeutlichten damit, wo die eigentlichen Probleme liegen:

Wie schützen wir unser geistiges Eigentum und unsere Simulationsdaten in einer Multi-Tenant-Cloud-Umgebung? Datengovernance erwies sich nicht nur bei KI-Tools als größte Vertrauenshindernis. Teams fordern klare Antworten zu Isolation, Zugriffskontrollen und Eigentumsrechten.

Benötigt die Anwendung von KI-Physik tiefgreifende Kenntnisse im Bereich Data Science? Die gewünschte Antwort für Unternehmen ist „Nein“, da ihr Ziel darin besteht, KI-Methoden für mehr Rollen innerhalb der Organisation und der Wertschöpfungskette zugänglich zu machen. Die Implementierungen, die das größte Interesse weckten, waren solche, die für Simulationsingenieure und nicht für ML-Ingenieure entwickelt wurden – Tools, die sich in bestehende Arbeitsabläufe integrieren lassen, anstatt neue Kompetenzen für die Bedienung zu erfordern.

Wie gut sind KI-generierte Berichte wirklich? Anwender möchten die sich wiederholende, fehleranfällige Berichtserstellung an Agenten delegieren, benötigen aber die Bestätigung, dass die von Agenten generierten Berichte zuverlässig die relevanten Informationen erfassen und die Ergebnisse präzise zusammenfassen. Ein multidisziplinärer Analysebericht eines Agenten, der Design-Leistungs-Kompromisse abwägt, gilt als vielversprechender Ausgangspunkt. Er spart Zeit, erfordert aber dennoch eine Expertenprüfung, bevor eine Entscheidung getroffen wird. Diese Einschätzung ist zutreffend, und die Ingenieure von NAFEMS erkannten genau hier den wahren Mehrwert von Agenten.

Das gleiche Muster zeigte sich in den Gesprächen am Messestand: Auf die Frage, welche Aufgaben ein KI-Agent ihrer Meinung nach am häufigsten autonom übernehmen sollte, teilten sich die Teilnehmer gleichmäßig auf zwei Prioritäten auf: A) Fehlererkennung und -behebung sowie B) die Untersuchung von Designvarianten, um die besten Kandidaten zu empfehlen. Beides steht in direktem Zusammenhang mit den Bereichen, in denen der manuelle Aufwand und die benötigte Zeit derzeit am höchsten sind.

Was Rescale zur Diskussion beigetragen hat

Rescale präsentierte auf der Konferenz zwei Sessions zu agentenbasierten Workflows und der Infrastruktur für KI-Physik. Die rege Beteiligung des Publikums bestätigte unsere bisherigen Bemühungen. Besonders interessiert waren die Entwickler, als der Fokus von den Plattformfunktionen auf konkrete Workflow-Ergebnisse verlagert wurde: Was genau bewirkt ein Agent in Verbindung mit meinem Solver? Wie lässt sich KI-Physik in meine bestehende Pipeline integrieren? Was ändert sich in meinen aktuellen Workflows, und was bleibt gleich?

Auf der GTC Anfang dieses Jahres Rescale und McLaren demonstrierten So sieht diese Art von KI-gestütztem Engineering aus: Agenten führen mehrstufige aerodynamische Simulationen durch, koordinieren die Arbeitsabläufe und liefern die Ergebnisse in Echtzeit. Die Zusammenarbeit mit McLaren hat eindrucksvoll bewiesen, wie agentenbasiertes Engineering aussieht, wenn es von Teams eingesetzt wird, die KI-gestütztes Engineering in ihre Simulations-Workflows integrieren – genau die Art von Implementierung, die Rescale sowohl für Einsteiger in die Welt der agentenbasierten KI als auch für fortgeschrittene Anwender ermöglicht.

Neu skalieren Plattformstart Frühjahr 2026 Aufbauend auf dieser Dynamik wurde AI Physics OS als durchgängiges Framework für die Entwicklung, den Einsatz und die Steuerung von Ersatzmodellen in großem Umfang vorgestellt, das direkt auf die Daten-, Workflow- und Rechenherausforderungen eingeht, die von den Praktikern während der gesamten Konferenz angesprochen wurden.

Die Zeichen und Signale für die Zukunft

Auf der NAFEMS Americas 2026 kristallisierten sich drei Muster heraus, die die Entwicklung der KI im Ingenieurwesen im kommenden Jahr prägen werden.

Die Infrastruktur bestimmt die Ergebnisse. Entwicklungsteams mit Cloud-nativen Technologien und leicht zugänglichen Simulationsdaten mit KontextUnternehmen mit klar definierten Governance-Strukturen implementieren agentenbasierte Workflows deutlich schneller als solche ohne. Die Kluft zwischen erfahrenen Anwendern und frühen Experimentatoren vergrößert sich, und dies wird durch grundlegende Entscheidungen, nicht nur durch die Werkzeugauswahl, verursacht.

Daten sind die eigentliche Einschränkung für die KI-Physik. Der Einwand der „Datenverfügbarkeit“ ist insbesondere bei Ersatzmodellen berechtigt, doch Anwender mit ausgereiften Programmen finden Wege, ihn zu umgehen. Agenten, die ungenutzte historische Daten erschließen, Gleichungen, die kleine Trainingsdatensätze kompensieren, und eine verbesserte Datenerfassung zum Zeitpunkt der Simulation sind allesamt aktive Forschungsgebiete.

Vertrauen entsteht auf der Ebene des Arbeitsablaufs, nicht auf der Plattformebene. Ingenieure bewerten KI nicht abstrakt, sondern anhand konkreter Aufgaben: Fehlerbehebung bei fehlerhaften Prozessen, Erstellung von Nachbearbeitungsberichten oder Empfehlung der nächsten Designvariante. Anbieter, die Ingenieure auf dieser Ebene mit glaubwürdigen Demos, klaren Richtlinien und offener Kommunikation über die aktuellen Möglichkeiten und Grenzen von KI überzeugen, werden sich durchsetzen.

Die Simulationsbranche entwickelt sich rasant. Die NAFEMS Americas 2026 bestätigte, dass KI im Ingenieurwesen den Sprung von der Pilotphase zur Serienproduktion geschafft hat – und dass die führenden Teams diejenigen sind, die von Anfang an die richtigen Grundlagen für Infrastruktur, Datenverwaltung und Arbeitsabläufe geschaffen haben. Rescale setzt dies bereits um. Wenn Sie bereit sind, von der Experimentierphase zur Produktion überzugehen, ist Rescale der richtige Partner. die Plattform, die Sie dorthin bringt – Kontaktieren Sie unser Team um zu starten.

Erfahren Sie mehr über die Rescale-Plattform für agentenbasierte Entwicklung und KI-Physik unter Rescale.com.