Wie KI das Engineering im Verpackungsmaschinenbau verändert

Im März 2026 verzeichnete ChatGPT wöchentlich eine Milliarde Nutzer und täglich eine Milliarde Anfragen; 2025 war es die meistgeladene App weltweit. Zudem setzen inzwischen mehr als 90 Prozent der Fortune-500-Unternehmen ChatGPT Enterprise ein. KI ist damit weit mehr als ein Hype. Mit diesen Zahlen verdeutlichte Dr. Daniel Eckertz, Leiter der Gruppe Innovation Engineering am Fraunhofer IEM, in seinem Vortrag auf der Packaging Machinery Conference 2026, wohin die Reise geht.

Künstliche Intelligenz ist längst auch im Engineering und im Verpackungsmaschinenbau angekommen. „Aktuell verändert KI vor allem die Art, wie Engineering betrieben wird, weniger das eigentliche Maschinendesign“, sagt Eckertz. Ingenieure nutzen KI beispielsweise, um Informationen schneller zu finden, Dokumente zu erstellen, Software zu entwickeln oder bestehende Lösungen wiederzuverwenden. Gerade im Verpackungsmaschinenbau mit seinen zahlreichen kundenspezifischen Varianten kann der schnellere Zugriff auf vorhandenes Wissen ein entscheidender Vorteil sein.

Von Software 1.0 zu Software 3.0

Große Sprachmodelle (LLMs), die Eckertz als Teil der „Software 3.0“ beschreibt, markieren den Schritt von regelbasiertem, deterministischem Programmcode (Software 1.0) und trainierten Modellen zur Mustererkennung in Betriebs- und Maschinendaten (Software 2.0) hin zu deutlich flexibleren Systemen. Moderne Modelle müssen nicht mehr für jede Aufgabe fest programmiert werden, sondern verstehen natürliche Sprache und bearbeiten ein breites Spektrum an Aufgaben.

„Kurzfristig sehe ich den größten Nutzen überall dort, wo viele textbasierte Informationen verarbeitet werden. Also beispielsweise bei Anforderungen, Planung, Dokumentation oder auch bei der Vorbereitung von Prüfungen“, meint Eckertz. Auch in der Softwareentwicklung seien KI-Werkzeuge bereits weit fortgeschritten und könnten erhebliche Produktivitätsgewinne ermöglichen. Anspruchsvoller bleiben Konstruktion und Simulation, weil KI dort mit Geometrien, physikalischen Zusammenhängen und präzisen Randbedingungen umgehen muss. „Gerade dort könnte langfristig aber auch ein besonders großer Hebel liegen“, betont der Experte.

Perspektivisch kann KI Konstruktionsaufgaben auf Basis natürlicher Sprache bearbeiten. Noch eignen sich solche Anwendungen nicht für jede Aufgabe. Sie zeigen jedoch, wohin sich CAD- und Engineering-Software entwickeln könnte: weg vom reinen Werkzeug, das der Ingenieur bedient, hin zu Systemen, die konkrete Entwicklungsaufgaben auf Grundlage einer Beschreibung übernehmen.

Zwischen technischer Möglichkeit und industrieller Praxis

Die technologischen Möglichkeiten entwickeln sich derzeit schneller als ihre Umsetzung in den Unternehmen. Viele Maschinenbauer befinden sich noch in der Phase einzelner Pilotanwendungen und Assistenzlösungen.

„Technologisch ist heute schon deutlich mehr möglich, als tatsächlich im industriellen Engineering eingesetzt wird“, betont Eckertz. Die größte Lücke sieht er weniger bei den KI-Modellen selbst als bei ihrer Einbindung in reale Engineering-Prozesse und bestehende Toollandschaften. Hinzu kommt, dass Daten häufig verteilt, unterschiedlich strukturiert oder nicht ausreichend miteinander verknüpft sind. „Der nächste große Schritt ist daher für mich nicht unbedingt das noch bessere KI-Modell, sondern die durchgängige Integration in den Engineering-Alltag“, sagt der KI-Experte.

Der Wissensschatz der Maschinenbauer als KI-Ressource

Der Maschinenbau verfügt über einen umfangreichen Wissensschatz, der über Jahrzehnte gewachsen ist. Zeichnungen, Stücklisten, Dokumentationen, Anforderungen, Software, Testberichte und frühere Projekte enthalten Informationen, die für neue Entwicklungsaufgaben wertvoll sein können. Ein erheblicher Teil dieses Wissens ist jedoch nur schwer zugänglich. Genau hier sieht Eckertz eines der vielversprechendsten Anwendungsfelder von KI.

Sie kann beispielsweise Zeichnungen, Dokumentationen, Anforderungen, Stücklisten und frühere Projekte miteinander verknüpfen und situationsbezogen verfügbar machen, erläutert Eckertz. Für den Verpackungsmaschinenbau bedeutet das unter anderem, dass Ingenieure bei der Entwicklung neuer Maschinenvarianten schneller auf Lösungen und Erfahrungen aus früheren Projekten zugreifen können.

Schwieriger sei das Erfahrungswissen, das bislang in den Köpfen der Mitarbeiter steckt. Dieses müsse zunächst erfasst und strukturiert werden. KI könne dabei helfen, indem Wissen im Dialog mit erfahrenen Mitarbeitern systematisch aufgenommen und aufbereitet werde.

Perspektivisch könnten auch Sensorik, Assistenzsysteme und integrierte Software am Arbeitsplatz dazu beitragen, Erfahrungswissen stärker aus realen Arbeitsabläufen abzuleiten. Dabei entstehen allerdings neue Anforderungen an Datenschutz, Transparenz und Akzeptanz. „Unternehmen müssen sehr klar definieren, welche Daten erhoben werden, wofür sie genutzt werden und wo Grenzen liegen“, betont Eckertz.

Damit aus diesem Wissen belastbare KI-Anwendungen entstehen, reicht es jedoch nicht, möglichst große Datenmengen bereitzustellen. Entscheidend sind laut Eckertz Qualität, Kontext und die Beziehungen zwischen den Informationen. Eine KI müsse beispielsweise verstehen können, welche Anforderung zu welcher Lösung, welchem Test und später möglicherweise auch zu welchem Problem im Betrieb gehört.

Der Mensch bleibt weiter Entscheidungsträger

Je stärker KI in Engineering-Prozesse eingebunden wird, desto wichtiger wird die Frage nach Verantwortlichkeiten. Insbesondere bei Maschinensicherheit, Risikobeurteilung und funktionaler Sicherheit kann die Entscheidung nicht einfach an ein KI-System delegiert werden. „KI kann Informationen zusammentragen, auf mögliche Risiken hinweisen oder Vorschläge vorbereiten. Die Bewertung, ob eine Maschine sicher ist und Anforderungen tatsächlich erfüllt, darf aber nicht einfach an eine KI delegiert werden“, so Eckertz.

Das gewinnt zusätzlich an Bedeutung, weil generative KI Ergebnisse erzeugen kann, die zunächst plausibel wirken, aber fehlerhaft sein können. „Gerade deshalb wird die Fähigkeit des Ingenieurs, Ergebnisse fachlich zu überprüfen, noch wichtiger“, ist Eckertz überzeugt.

Der Mensch bleibt damit die zentrale Instanz: Er orchestriert Prozesse, kontrolliert Ergebnisse und behält die Entscheidungshoheit.

KI verändert auch die Geschäftsmodelle

Doch KI verändert nicht nur Prozesse und Rollen innerhalb der Entwicklung. Je stärker die Technologie in den Maschinenbetrieb vordringt, desto vielversprechender werden auch die Möglichkeiten im Bereich der Serviceleistungen.

Wenn Hersteller ihr Maschinen- und Prozesswissen digital verfügbar machen und Betriebsdaten stärker auswerten, eröffnen sich neue Möglichkeiten für Inbetriebnahme, Wartung und Service. „Ich glaube, dass KI zunächst vor allem bestehende Leistungen effizienter machen wird“, sagt Eckertz. Engineering, Inbetriebnahme und Service könnten schneller und stärker wissensbasiert erfolgen. Zugleich können aus der Technologie neue Angebote entstehen: Hersteller könnten ihr Maschinen- und Prozesswissen über KI-basierte Services kontinuierlich beim Kunden verfügbar machen oder Betriebsdaten gezielter für Optimierung und Wartung nutzen. Damit könnte sich das Geschäftsmodell der Verpackungsmaschinenhersteller vom reinen Maschinenverkauf hin zu kontinuierlichen digitalen Leistungen über den gesamten Lebenszyklus entwickeln.