Die SC25-Konferenz in St. Louis brachte letzte Woche 16,500 Teilnehmer und die Rekordzahl von 560 Ausstellern zusammen, die die Speerspitze der computergestützten Ingenieurwissenschaften und wissenschaftlichen Forschung repräsentierten. Die Supercomputing-Community umfasst zwar Wissenschaftler, staatliche Forscher und Cloud-Anbieter, doch die wichtigsten Erkenntnisse der diesjährigen Konferenz richten sich direkt an Produktentwicklungsunternehmen, die Innovationen schneller als je zuvor auf den Markt bringen wollen.

Wenn Ihr Unternehmen physische Produkte entwickelt – egal ob in der Automobil-, Luft- und Raumfahrt-, Life-Sciences-, Fertigungs- oder Energiebranche –, bieten die Trends und Ankündigungen der SC25 einen klaren Fahrplan für die Technologieinvestitionen, die die Branchenführer ab 2026 von den Nachzüglern unterscheiden werden. Hier geht es nicht um theoretische Forschung oder Zukunftsszenarien. Im Mittelpunkt der Gespräche auf der SC25 standen produktionsreife Fähigkeiten, die Entwicklungs- und Forschungsorganisationen bereits heute einsetzen, um Entwicklungszyklen zu verkürzen, Kosten zu senken und Innovationen zu ermöglichen, die Wettbewerber nicht bieten können.

Hier sind die aus SC25 abgeleiteten, umsetzbaren Trends, die Sie in Ihre Planung für 2026 einbeziehen sollten.

Wo innovationsgetriebene Unternehmen investieren

Die Marktanalyse von Hyperion Research ergab, dass der HPC+KI-Sektor im ersten Halbjahr 2025 um über 20 % und im Jahr 2024 um 23 % wuchs – das Dreifache der bisherigen Wachstumsrate. Die Gesamtausgaben des Sektors erreichten 60 Milliarden US-Dollar und werden sich Prognosen zufolge bis 2029 auf 120 Milliarden US-Dollar nahezu verdoppeln.

Dies ist keine spekulative Investition. Das Wachstum wird von Ingenieur- und Forschungsorganisationen getragen, die KI-beschleunigte Arbeitsabläufe implementiert, die Ergebnisse gemessen und festgestellt haben, dass der ROI die Skalierung dieser Fähigkeiten im gesamten Produktentwicklungsprozess rechtfertigt. Dieses Wachstum wird durch die rasante Verbreitung neuer Technologien und Anwendungsfälle, massive KI-Investitionen von Regierungen und die Tatsache, dass die KI-Infrastruktur in Gigawatt statt in Megawatt gemessen wird, weiter befeuert.

Ihre Branchenkollegen und Wettbewerber investieren wahrscheinlich bereits in diese Technologien oder planen dies bis 2026. Die Frage ist nicht, ob in Rechenbeschleunigung und KI-gestützte Simulation investiert werden soll, sondern wo man anfängt und wie schnell man Technologien implementieren kann, die messbare Produktivitätssteigerungen ermöglichen. Auf der SC25 diskutierten Unternehmen über die Verkürzung von Produktentwicklungszyklen von Monaten auf Wochen, die Reduzierung der Simulationszeit von Tagen auf Stunden und die Rückgewinnung erheblicher Entwicklungszeit, die zuvor durch manuelle Arbeitsabläufe verloren ging.

Bei der Bewertung dieser Fähigkeiten sollten Sie sich auf drei Hauptfaktoren konzentrieren: messbare Produktivitätssteigerungen im Engineering, einfache Bedienung bei der Implementierung und Verwaltung sowie klare Wirtschaftlichkeitsberechnungen, die einen positiven ROI innerhalb Ihres Planungszeitraums nachweisen.

Methoden der KI-Physik finden ihren Weg von der Forschung zur Produktion

KI für spezialisierte Ingenieuranwendungen schreitet rasant von der Forschung in die Produktion voran. Während der gesamten Konferenz wurde die Rolle von KI-Methoden wie Ersatzmodellen und Modellreduktionsverfahren sowie deren Kombination mit traditionellen Modellierungs- und Simulationsmethoden eingehend diskutiert. Es herrschte weitgehend Einigkeit darüber, dass KI-basierte Physikmethoden sehr effektiv sind, um große Designräume frühzeitig im F&E-Prozess zu erkunden und so traditionelle Methoden zu ergänzen, die anschließend zur Validierung eingesetzt werden können.

Die Präsentation von Rescale im Microsoft Theater hob die praktischen Anwendungsmöglichkeiten dieser Ansätze hervor und präsentierte einen Anwendungsfall zur Aerodynamikoptimierung für General Motors Motorsports, der zeigt, wie KI-Physikmethoden in traditionelle Simulationsabläufe integriert werden, um die Produktentwicklungszeiten zu beschleunigen.

Der Wettbewerbsvorteil ergibt sich für Unternehmen, die schnell eigene Modelle anhand ihrer einzigartigen Konstruktionsdaten und -methoden trainieren können. Generische Basismodelle bieten einen Ausgangspunkt, doch Modelle, die auf Ihre spezifischen thermischen Eigenschaften, aerodynamischen Kompromisse oder Strukturverhalten trainiert sind, liefern Erkenntnisse, die Wettbewerber nicht nachbilden können. Beginnen Sie damit, die Simulationsbereiche zu identifizieren, die am meisten von KI-Beschleunigung profitieren würden: thermische Analysen, die Sie tausendfach pro Programm durchführen, Struktursimulationen mit langen Berechnungszeiten oder Strömungsdynamikstudien, die große Parameterbereiche untersuchen.

Die Ankündigungen von NVIDIA auf der SC25-Konferenz verdeutlichten den Aufstieg von KI-Methoden für Ingenieurwesen und wissenschaftliche Forschung. Apollo hervorheben Apollo ist eine Familie offener KI-Physikmodelle für Halbleiterdesign, Fluiddynamik, Strukturmechanik und Wettermodellierung. Unternehmen wie Applied Materials, Cadence, LAM Research, Siemens und Synopsys nutzen Apollo bereits, um Design- und Simulationsprozesse zu beschleunigen. Apollo wird ab 2026 auf Rescale zusammen mit zusätzlichen Toolkits von NVIDIA sowie weiteren Modellarchitekturen von Drittanbietern verfügbar sein und so Zugang zu vielfältigen KI-Simulationsvorhersagemethoden bieten.

KI und Agenten für Ingenieure versprechen eine enorme Produktivitätssteigerung

Agentische KI und autonome Arbeitsabläufe kristallisierten sich als Hauptthema der SC25 heraus, wobei Systeme, die komplexe technische Aufgaben selbstständig orchestrieren, Hypothesen testen und Arbeitsabläufe mit menschlicher Aufsicht optimieren können, anstatt ständig manuell einzugreifen, breit diskutiert wurden.

Unter Praktikern herrscht jedoch weitgehend Einigkeit darüber, dass agentenbasierte Automatisierung ein solides Daten- und Prozessverständnis voraussetzt. Unternehmen können intelligente Agenten nicht zur Workflow-Automatisierung einsetzen, wenn die zugrundeliegenden Daten fragmentiert, inkonsistent oder unzugänglich sind. Die erfolgreichsten Implementierungen beginnen mit der Erfassung von Workflows direkt zum Zeitpunkt der Ausführung, während die Entwickler arbeiten. Dies ermöglicht eine nutzergesteuerte Prozessabbildung und Datenstandardisierung, ohne dass umfangreiche Governance-Rahmenbedingungen im Vorfeld erforderlich sind.

Die Vision ist überzeugend: Simulationsagenten, die bei Parameteränderungen automatisch Analysen starten, Rechenlasten über verschiedene Architekturen hinweg orchestrieren und dabei Kosten und Leistung optimieren, automatisierte Berichte erstellen und validierte Ergebnisse mit PLM-Systemen synchronisieren – alles ohne manuelle Eingriffe. Um dies zu erreichen, muss jedoch zunächst die Herausforderung der Datenintelligenz gelöst werden: Metadaten müssen während der Simulationen automatisch erfasst, nachvollziehbare digitale Datenflüsse etabliert und KI-gestützte Suche im gesamten technischen Wissen ermöglicht werden.

Der Weg zur agentenbasierten Automatisierung ist keine Transformation über Nacht. Er beginnt mit dem Aufbau der Datengrundlagen, die Automatisierung ermöglichen: einheitliche Datenstrukturen, die Simulationsmetadaten automatisch erfassen, KI-Assistenten, die durch Abfragen in natürlicher Sprache sofortigen Zugriff auf interdisziplinäre Analysen ermöglichen, und Plattformen, die gängige Arbeitsabläufe für die teamübergreifende Wiederverwendung als Vorlagen bereitstellen können.

Signale des öffentlichen Sektors für strategische Investitionen in IT-Systeme

Die SC25-Konferenz war gut besucht von Regierungsbehörden und Organisationen des öffentlichen Sektors sowie von privaten Auftragnehmern, die nationale Forschungs- und Entwicklungsinitiativen unterstützen. Ihre Teilnahme und die jüngsten Ankündigungen unterstreichen das Engagement des öffentlichen Sektors für Investitionen in Rechenkapazitäten als essenzielle Infrastruktur für Innovationen.

Das Weiße Haus gab bekannt, dass Exekutivverordnung zur Genesis-MissionDies stellt eine historische nationale Anstrengung dar, in Hochleistungsrechner zu investieren und eine integrierte KI-Plattform aufzubauen, die wissenschaftliche Datensätze der Bundesregierung nutzt, um Basismodelle zu trainieren und KI-Agenten für beschleunigte Forschung zu entwickeln. Amazon kündigte zudem Investitionen von bis zu 50 Milliarden US-Dollar an, um die KI- und Supercomputing-Kapazitäten für US-Regierungskunden zu erweitern. Dadurch werden in sicheren AWS-Regionen fast 1.3 Gigawatt zusätzliche Kapazität bereitgestellt, sodass Behörden Aufgaben, für die früher Wochen benötigt wurden, nun innerhalb von Stunden erledigen können.

Der öffentliche Sektor investiert weiterhin massiv in Cloud-Lösungen, um die damit verbundene Flexibilität und Agilität zu nutzen. Dies sollte ein deutliches Signal für Unternehmen der Privatwirtschaft sein, die Cloud-Infrastrukturen bisher zögerlicher eingeführt haben. Die zunehmende Nutzung der Cloud in diesem Umfang durch Regierungsbehörden, die traditionell für ihre strengen Sicherheitsanforderungen und On-Premise-Lösungen bekannt sind, bestätigt die Reife, Sicherheit und den strategischen Wert von Cloud-Bereitstellungsmodellen für unternehmenskritische F&E-Anwendungen.

Der öffentliche Sektor gibt die Richtung für die Entwicklung kritischer Kompetenzen vor. Der Fokus auf integrierte Plattformen, die Rechenleistung, Daten und KI vereinen (und nicht auf einem Flickenteppich von Insellösungen), bestätigt die gleichen Herausforderungen, vor denen die Forschung und Entwicklung im privaten Sektor steht. Für etablierte Auftragnehmer und Startups, die Regierungsprojekte betreuen oder in Bereichen wie Energie und Verteidigung konkurrieren, verdeutlichen diese Ankündigungen die technologischen Fähigkeiten, die in zukünftigen Programmen erwartet werden.

Cloud-Überlegungen für Ingenieurorganisationen

Die Nutzung von Cloud-Lösungen für Engineering-Workloads schreitet weiter rasant voran, und die SC25-Konferenz lieferte eine wichtige Erkenntnis: Die fortschrittlichsten Unternehmen entscheiden sich nicht zwischen Cloud und On-Premises, sondern nutzen beide strategisch.

Kundenfeedback hob die wichtigsten Vorteile der Cloud hervor: geringere Kosten bei strategischer Nutzung, bessere Integration in On-Premise-Systeme, Kontrolle über die Datenhoheit, engere Integration von HPC und KI sowie Zugang zu spezialisierter Hardware. Der Aufstieg von „Neo-Clouds“ wie CoreWeave, Nebius und Lambda spiegelt das wachsende Ökosystem wider.

Die strategische Frage lautet nicht „Cloud oder On-Premises“, sondern vielmehr „Welche Workloads profitieren am meisten von den Möglichkeiten der Cloud?“ Die Cloud zeichnet sich durch ihre Fähigkeit aus, Lastspitzen mit dem Zehnfachen der normalen Kapazität zu bewältigen, Zugriff auf neueste GPU-Architekturen ohne Kapitalinvestitionen zu ermöglichen, standortübergreifende Projekte zu unterstützen und neue Programme schnell zu skalieren. On-Premises bleibt optimal für stabile Standard-Workloads, Anwendungen mit spezifischen Sicherheitsanforderungen und Situationen, in denen Hardwareinvestitionen bereits amortisiert sind.

Der entscheidende Erfolgsfaktor ist die Aufrechterhaltung einheitlicher Engineering-Kapazitäten, unabhängig davon, wo die Berechnungen stattfinden. Ingenieure benötigen stets Zugriff auf Ergebnisse, einheitliche Suchfunktionen und eine nahtlose Zusammenarbeit, egal ob Simulationen lokal oder in der Cloud ausgeführt werden. Die Cloud ermöglicht zudem eine kontinuierliche Technologieaktualisierung durch den Zugriff auf Infrastrukturverbesserungen ohne die langen Vorlaufzeiten und den Aufwand, die für deren Bereitstellung und Wartung lokal erforderlich wären.

Empfehlungen für Initiativen zur digitalen Transformation im Ingenieurwesen

Basierend auf den Erkenntnissen von SC25 sollten Führungskräfte aus den Bereichen Engineering und Forschung & Entwicklung bei der Planung von Technologieinvestitionen für 2026 folgende Schritte berücksichtigen:

1. Entwickeln Sie eine workloadspezifische Cloud-Strategie. Welche Engineering-Aktivitäten stoßen an Kapazitätsgrenzen oder erfordern spezielle Hardware? Berücksichtigen Sie Projektrückstände, zeitkritische und prioritäre Programme, Workloads, die von neuerer, nur in der Cloud verfügbarer Hardware profitieren würden, sowie Spitzenkapazitätsanforderungen. Beginnen Sie mit diesen Cloud-Kandidaten, anstatt eine vollständige Migration anzustreben.

2. KI- und agentenbasierte Möglichkeiten durch einen stufenweisen Ansatz identifizieren. Beginnen Sie mit schnellen Erfolgen: KI-gestützte Suche nach früheren Simulationsarbeiten, automatisierte Jobzusammenfassungen und Abfragen in natürlicher Sprache. Bauen Sie die Funktionalitäten schrittweise aus: KI-Physikmodelle für Bereiche mit hohem Datenaufkommen, Workflow-Automatisierung für wiederkehrende Aufgaben und schließlich autonome Agenten, die komplexe, mehrstufige Prozesse orchestrieren.

3. Datengrundlagen bewerten. Können Ingenieure frühere Simulationsarbeiten leicht finden und wiederverwenden? Werden Metadaten automatisch erfasst oder sind Sie auf manuelle Prozesse angewiesen? Ist institutionelles Wissen gefährdet, wenn Ingenieure isoliert arbeiten oder das Unternehmen verlassen?

4. Integrationsstrategie bewerten. Planen Sie die Verbindung unterschiedlicher Systeme, die komplexe Integrationen erfordern? Würden integrierte Plattformen den Verwaltungsaufwand reduzieren und gleichzeitig die Funktionalität verbessern?

5. Plan für die Adoption. Suchen Sie nach Lösungen, die sich nahtlos in bestehende Arbeitsabläufe integrieren lassen, anstatt umfangreiche Schulungen zu erfordern. Überlegen Sie, wie Sie neue und spezialisierte Funktionen einem breiteren Nutzerkreis innerhalb Ihrer Organisation zugänglich machen und so auch weniger leistungsfähigen Anwendern den Einsatz fortschrittlicher Simulations- und KI-Methoden ermöglichen können.

Sie wissen nicht, wo Sie anfangen sollen? Schaffen Sie eine Grundlage für Anwendungsfälle der nächsten Generation.

Die auf der SC25 sichtbare Konvergenz der Trends (einheitliche Plattformen, KI-gestützte Automatisierung, intelligentes Datenmanagement, Hybrid-Cloud-Strategien) zeigt, wohin die Produktentwicklung im Jahr 2026 und darüber hinaus führen wird. Eine entscheidende Fähigkeit, die sich durch diese Themen zieht, ist Datenintelligenz: die Fähigkeit, Simulationsdaten in großem Umfang automatisch zu erfassen und zu nutzen, um eine Datenpipeline für das KI-Training aufzubauen.

Wir hosten ein eingehende Produktvorführung am 10. Dezember Präsentation von Rescale Data Intelligence Fähigkeiten, die speziell für computergestütztes Engineering und wissenschaftliche Forschung und Entwicklung entwickelt wurden. Erfahren Sie mehr über das neue Produkt und Sichern Sie sich Ihren Platz für die Live-Demo..

Unternehmen, die diese Trends verfolgen und jetzt Maßnahmen ergreifen, werden im Jahr 2026 und darüber hinaus ihre Branchen anführen!