Prof. Dr. Leo Brecht
Mitglied des Vorstands, Partner
Prof. Dr. Leo Brecht
Mitglied des Vorstands, Partner
Prof. Dr. Leo Brecht ist Mathematiker und Wirtschaftswissenschaftler mit einem Doktortitel in mathematischer Statistik und einer Professur für Innovations- und Technologiemanagement an der Universität Liechtenstein. Mit über 20 Jahren Erfahrung in Unternehmensberatung und angewandter Forschung sowie mehr als 10 Jahren im Investmentmanagement ist er ein führender Experte in den Bereichen Innovation, Technologie und Produktmanagement. Leo Brecht hat mehr als 100 Projekte für KMU und multinationale Unternehmen in verschiedenen Branchen unterstützt, von strategischer Beratung bis hin zu Technologiebewertungen. Er ist auch der Gründer von ALPORA, wo er und sein Team innovative Anlageprodukte entwickelt haben, die zu einem verwalteten Vermögen von über 700 Millionen Euro geführt haben. In den letzten zehn Jahren hat er mehr als 1.000 Investorenvorträge gehalten. Er war Partner bei Andersen und Arthur D. Little, Autor mehrerer Bücher und Konferenzredner. Als aktiver Investor und Serienunternehmer ist er insbesondere in den Sektoren FINTECH, SUSTTECH und EDUTECH tätig. In seiner Freizeit ist Leo Brecht ein leidenschaftlicher Regattasegler und Skifahrer und verbringt gerne Zeit mit seiner Familie.
Das Produkt entsteht zweimal
Bevor eine Flugzeugkomponente, ein Turbinenteil oder eine Sitzhalterung gefertigt wird, existiert sie zunächst in einer digitalen Welt. Dort testen Ingenieure, wie sie sich unter Last verhält, wie Luft oder Wärme um sie herum strömt und ob sie die Anforderungen an Gewicht, Festigkeit und Fertigbarkeit erfüllt.
Diese digitale Phase ist längst kein kleiner Zwischenschritt mehr. Sie entscheidet massgeblich darüber, welche Produkte letztlich in die physische Produktion gehen. Gleichzeitig war sie jahrzehntelang ein Flaschenhals: Je nach Komplexität konnten anspruchsvolle physikalische Simulationen Tage oder Wochen dauern. Aus Zeit- und Budgetgründen mussten Engineering-Teams daher mit einer begrenzten Anzahl an Varianten arbeiten.
Das Problem war nicht unbedingt ein Mangel an Ideen. Es war die begrenzte Anzahl an Ideen, die rechtzeitig getestet werden konnten.
Genau hier setzt der Produktivitätshebel im Product Engineering & Design an. Wenn digitale Tests schneller, kostengünstiger und automatisierter werden, können Unternehmen mehr Varianten bewerten, bevor sie sich festlegen. Das verändert nicht nur die Entwicklungsgeschwindigkeit. Es kann auch die Qualität des Endprodukts verbessern.
Warum schnellere Tests mehr als nur ein Effizienzgewinn sind
Ein herkömmlicher Entwicklungszyklus lässt sich vereinfacht so darstellen: Ein Engineering-Team entwirft eine Variante, führt eine Simulation durch, prüft das Ergebnis und überarbeitet dann das Design. Jede Runde verbraucht Zeit, Rechenkapazität und Expertenressourcen.
Dauert eine Simulation mehrere Tage, sind nur wenige Iterationen realistisch. Das Team muss sich früh entscheiden, welche Ansätze es verfolgt. Ein Design, das nie getestet wird, kann nicht gewinnen – selbst wenn es theoretisch die bessere Lösung wäre. Schnellere Modelle verändern diese Logik. Sie ermöglichen es, viele Kandidaten parallel zu bewerten und anschliessend nur die vielversprechendsten Lösungen mit hochpräzisen Methoden zu testen. Der Prozess wandelt sich von einer linearen Abfolge einzelner Versuche hin zu einer breiteren Suche im gesamten Designraum.
Für Unternehmen ergeben sich daraus mehrere Vorteile:
- kürzere Entwicklungszeiten, da mehr Iterationen im gleichen Zeitraum abgeschlossen werden können,
- bessere Produkte, da mehr Alternativen miteinander verglichen werden können,
- geringerer Materialverbrauch, wenn Formen und Strukturen präziser optimiert werden können,
- weniger physische Prototypen, wenn digitale Modelle zuverlässiger werden,
- höhere Anpassungsfähigkeit, da Produktänderungen schneller bewertet werden können.
Der entscheidende Punkt für die Investitionsanalyse ist, dass die Technologie nicht nur Kosten senkt. Sie kann die ökonomische Produktionsfunktion eines Unternehmens verändern.
Fünf Technologiebausteine – fünf verschiedene Investitionslogiken
Der Markt wird oft unter dem Begriff „KI für das Engineering“ zusammengefasst. Technisch und wirtschaftlich umfasst er jedoch unterschiedliche Ansätze. Für Investoren ist diese Unterscheidung wichtig, da sich Reifegrad, Skalierbarkeit, Datenabhängigkeit und Exit-Potenzial erheblich unterscheiden können.
1. Schnelle Ersatzmodelle für langsame Physik
Ersatzmodelle lernen aus zahlreichen zuvor berechneten oder gemessenen Fällen. Anstatt eine vollständige physikalische Simulation erneut durchzuführen, schätzt das Modell das Ergebnis eines neuen Entwurfs.
Neuronale Netze sind nur eine Option. Gauss-Prozess-Modelle können zudem angeben, wie sicher eine Vorhersage ist. Reduzierte Modelle verfolgen einen mathematischen Ansatz: Sie vereinfachen ein komplexes Modell, behalten dabei dessen wesentliche Eigenschaften bei und entfernen weniger relevante Details.
Für sicherheitskritische Branchen ist diese Unterscheidung grundlegend. Geschwindigkeit allein reicht nicht aus. Ein Modell muss auch anzeigen, wann seine Vorhersage unsicher ist und wann eine hochpräzise Simulation oder ein physischer Test erforderlich ist.
2. Wenn der Computer die Form vorschlägt
Generative Design-Software beginnt nicht mit einer fertigen Skizze. Sie erhält Ziele, Randbedingungen und Verbindungspunkte – unter anderem das Ziel, das Gewicht bei ausreichender Festigkeit zu minimieren – und generiert daraus zahlreiche Varianten.
Einige Methoden nutzen evolutionäre Algorithmen. Andere greifen auf neuere generative Modelle zurück. Das Ergebnis kann eine organisch wirkende Struktur sein, die ein menschlicher Ingenieur so wahrscheinlich nicht von Hand gezeichnet hätte.
Der wirtschaftliche Nutzen hängt jedoch von einem entscheidenden Detail ab: Ein mathematisch optimales Design ist nicht automatisch ein fertigungsreifes Produkt. Fertigungstechnologie, Materialverfügbarkeit, Zertifizierung und Qualitätskontrolle müssen in die Lösung einfließen.
3. Der nächste Test ist eine Investitionsentscheidung im kleinen Maßstab
Bayesianische Optimierung und Multi-Fidelity-Modellierung betrachten den Entwicklungsprozess als eine Abfolge von Auswahlentscheidungen. Nicht jede Variante wird mit der gleichen Präzision getestet. Kostengünstige Modelle mit geringerer Genauigkeit werden mit einer begrenzten Anzahl aufwendiger High-Fidelity-Simulationen kombiniert.
Das Ziel ist es nicht, jede Möglichkeit zu berechnen. Es geht darum, innerhalb eines begrenzten Rechenbudgets so schnell wie möglich zu einer praxistauglichen Lösung zu gelangen. Für Investoren stellt sich die Frage, ob diese Methoden eine eigenständige Softwarekategorie bilden können oder ob sie zu Funktionen innerhalb grösserer Design- und Simulationsplattformen werden.
4. Digitale Zwillinge machen den Lebenszyklus zum Datenmodell
Ein digitaler Zwilling ist mehr als ein statisches 3D‑Modell. Er wird kontinuierlich mit Daten aus dem realen System aktualisiert – insbesondere einer Turbine, einer Produktionslinie oder einer Offshore-Anlage.
Dies ermöglicht es Unternehmen, Änderungen zunächst am digitalen Abbild zu testen. Ein Wartungsplan, eine Prozessänderung oder eine neue Komponente können simuliert werden, bevor die physische Anlage verändert wird.
Der strategische Wert steigt, wenn der digitale Zwilling über die Produktentwicklung hinaus genutzt wird: im Betrieb, bei der Wartung, der Kapazitätsoptimierung und der Planung weiterer Anlagen.
5. Engineering-Copiloten senken die Nutzungsbarriere
Grosse Sprachmodelle werden zunehmend als Assistenten für technische Aufgaben eingesetzt. Eine textbasierte Anforderung kann in eine erste Spezifikation, ein Skript oder eine Aktion in einer bestehenden Designumgebung übersetzt werden.
Dies verspricht einen einfacheren Zugang zu komplexen Werkzeugen. Es verändert jedoch auch die Anforderungen an Governance und Validierung. Je tiefer ein Copilot in einen Entwicklungsprozess eingreift, desto klarer muss definiert sein, welche Entscheidungen automatisiert werden dürfen und wo ein qualifizierter Mensch das Ergebnis freigeben muss.
Was sich bereits in der Industrie beobachten lässt
Das Quelldokument nennt drei Unternehmensbeispiele, die verschiedene Aspekte des Produktivitätshebels veranschaulichen. Sie sind nicht direkt vergleichbar: Jedes nutzt unterschiedliche Kennzahlen, und die berichteten Ergebnisse beziehen sich auf unterschiedliche Ausgangswerte.
Die Beispiele zeigen drei verschiedene Kanäle, über die Wertschöpfung generiert werden kann:
- Zeitgewinn: Prozesse werden beschleunigt und können häufiger wiederholt werden.
- Material- und Gewichtsvorteile: Das Produkt wird leichter oder ressourceneffizienter bei gleichbleibender Funktion.
- Komplexitätsgewinn: Mehrere Komponenten, Arbeitsschritte oder Varianten werden zu einer integrierten Lösung zusammengeführt.
Bei der Unternehmensanalyse ist daher nicht nur die Frage relevant, ob ein Unternehmen ein bestimmtes Software-Tool einsetzt. Entscheidend ist, ob die Technologie in einen wirtschaftlich relevanten Prozess eingebettet ist und ob ihre Wirkung skaliert werden kann.
Der Venture-Markt: Nicht jede Technologie wird zu einem eigenständigen Unternehmen
Das Investitionsuniversum ist heterogen. Einige Unternehmen konzentrieren sich auf spezialisierte physikalische Modelle, andere auf digitale Zwillinge oder Engineering-Copiloten. Gleichzeitig können etablierte Softwareanbieter einzelne Funktionen schneller integrieren, als neue Kategorien eigenständiger Anbieter entstehen können.
Dieser Überblick ist nicht als Ranking zu verstehen. Er beschreibt verschiedene technologische Ansätze und Reifegrade. Die entscheidende Frage ist, wo nachhaltiger Wert geschaffen wird:
- durch proprietäre Daten,
- durch validierte physikalische Modelle,
- durch eine tiefe Integration in Kundenprozesse,
- durch Zertifizierungs- und Sicherheitskompetenz,
- oder durch eine Plattform, die mehrere Funktionen vereint.
Das Quelldokument hebt zudem evolutionäre Generierung und Bayes’sche Optimierung hervor. In diesen Bereichen gibt es vergleichsweise wenig unabhängige Venture-Aktivitäten, da solche Funktionen häufig in größere Softwareplattformen integriert werden. Als Beispiel wird die Übernahme von SigOpt durch Intel im Jahr 2020 genannt.
Für Investoren ergibt sich daraus eine wichtige Unterscheidung: Eine Technologie kann für industrielle Anwender äusserst wertvoll sein, ohne zwingend ein eigenständiges Venture-Modell zu begründen. Sie kann stattdessen als Übernahmeziel, Plattformfunktion oder Differenzierungsmerkmal für einen etablierten Anbieter relevant sein.
Ein möglicher Analyserahmen für Investoren
Wer diesen Produktivitätshebel systematisch bewerten möchte, sollte nicht bei der Frage stehen bleiben, ob ein Unternehmen «KI einsetzt». Ein mehrstufiger Prüfrahmen ist hier hilfreicher.
Die sechs Fragen
- Welche technische Methode bildet den Kern des Geschäftsmodells? Ein Ersatzmodell ist nicht dasselbe wie ein digitaler Zwilling oder ein Copilot.
- Welche Daten werden benötigt? Ein Unternehmen mit Zugang zu proprietären Testdaten ist möglicherweise anders aufgestellt als ein Anbieter, der sich hauptsächlich auf öffentlich zugängliche Simulationsdaten stützt.
- Wo verbessert sich der Arbeitsablauf? Die entscheidende Frage ist, ob die Technologie eine zentrale Entwicklungsentscheidung verbessert oder lediglich einen kleinen Arbeitsschritt beschleunigt.
- Wie wiederholbar ist der Nutzen? Ein skalierbares Softwareprodukt unterscheidet sich wirtschaftlich grundlegend von einer Reihe individueller Beratungsprojekte.
- Wie werden Unsicherheit und Fehler kontrolliert? In sicherheitskritischen Branchen sind Audit-Trails, Erklärbarkeit und Human-in-the-Loop-Kontrollen keine Randthemen.
- Welche Rolle spielen Plattformanbieter? Ein unabhängiger Anbieter muss nicht nur technologisch stark sein, sondern sich auch gegen die Integrationskraft etablierter Softwareunternehmen behaupten.
Die Risiken sind nicht nur technologischer Natur
Die Entwicklung digitaler Engineering-Systeme birgt spezifische Risiken. Erstens kann ein Modell innerhalb der bekannten Daten- und Designräume ausgezeichnet funktionieren, aber ausserhalb dieser Grenzen an Vorhersagekraft verlieren. Zweitens kann die Integration in bestehende Engineering- und Fertigungsprozesse länger dauern als die Entwicklung des Modells selbst.
Drittens unterscheiden sich die Branchen erheblich. Ein Modell für ein standardisiertes Bauteil lässt sich möglicherweise leichter skalieren als eine Lösung für ein komplexes, zertifizierungsintensives System. Viertens kann ein Produktivitätsgewinn an anderer Stelle verloren gehen, wenn Fertigungsprozesse, Lieferketten oder regulatorische Anforderungen das neue Design nicht unterstützen.
Für die Investitionsanalyse ist daher die gesamte Kette entscheidend:
Modellgeschwindigkeit → Engineering-Entscheidung → Fertigbarkeit → Serienproduktion → wirtschaftliche Auswirkung
Wird diese Kette an einem Punkt unterbrochen, kann der technische Fortschritt möglicherweise kein entsprechendes Geschäftsergebnis erzielen.
Fazit: Der wahre Wert liegt in der Anzahl der Möglichkeiten
Der wichtigste Effekt schnellerer digitaler Tests besteht nicht darin, dass ein Computer eine einzelne Simulation zügiger ausführt. Der größere Hebel liegt darin, dass Unternehmen mehr Optionen bewerten können, bevor sie sich auf ein physisches Produkt festlegen. Manche getesteten Varianten entwickeln sich zu einer breiteren Suche. Ein statisches CAD-Modell kann zu einem kontinuierlich aktualisierten digitalen Zwilling werden. Eine manuelle Konstruktionsaufgabe kann sich in einen iterativen Dialog zwischen Ingenieur und Software verwandeln. Für institutionelle Anleger und Vermögensverwalter bietet dieser Bereich eine differenzierte Perspektive auf die Unternehmensproduktivität. Die entscheidende Frage ist nicht einfach, welches Unternehmen die fortschrittlichste KI einsetzt. Sie lautet vielmehr:
Welche Technologie verbessert die Qualität und Geschwindigkeit echter technischer Entscheidungen – und wie zuverlässig lässt sich dieser Vorteil in wirtschaftlichen Mehrwert ummünzen?
Die Antwort hängt von der jeweiligen Technologie, der Branche und dem Geschäftsmodell ab. Genau das macht diese Kategorie so interessant: Sie verbindet Software, industrielle Wertschöpfung und messbare Produktivitätssteigerungen – und zeigt, wie digitale Geschwindigkeit zu einem physischen Wettbewerbsvorteil werden kann.
