iDesignGPT verbessert das konzeptionelle Design durch agentische Arbeitsabläufe großer Sprachmodelle

Warum intelligentere Designwerkzeuge wichtig sind

Von Elektroautos bis hin zu Rettungsdrohnen beginnt jedes komplexe Produkt als grobe Idee auf einem Whiteboard. Die frühesten Designentscheidungen legen häufig den größten Teil der Kosten, Sicherheit und Leistung eines Produkts fest, trotzdem stützt sich diese Phase noch stark auf Expertenintuition, lange Besprechungen und verstreute Dokumente. Dieser Artikel stellt iDesignGPT vor, ein neues, auf KI basierendes Rahmenwerk, das darauf abzielt, große Sprachmodelle—die gleiche Technologie hinter modernen Chatbots—zu disziplinierten Kollaborateuren für Ingenieure zu machen. Es soll sowohl Fachleuten als auch Einsteigern helfen, Ideen zu erkunden, Informationen zu sammeln und frühe Konzepte systematischer zu bewerten.

Die Schwierigkeiten der frühen Ingenieursphase

Das konzeptionelle Design ist das „verschwommene Frontend“ der Ingenieurarbeit: Teams müssen entscheiden, was ein System tun soll, wie es funktionieren könnte und ob es überhaupt machbar ist, während Informationen unvollständig sind. Studien zeigen, dass bis zu 80 % der Lebenszykluskosten in dieser Phase festgelegt werden, und Fehler können später extrem kostspielig sein. Traditionelle Methoden—wie strukturierte Anforderungsdiagramme und Problemlösungs-Handbücher—wurden für engere industrielle Kontexte entwickelt und verlangen oft tiefgehende Spezialausbildung. Gleichzeitig helfen rechnergestützte Design- und Simulationswerkzeuge meist erst, wenn bereits ein detailliertes Layout vorliegt, sodass in der frühesten, kreativsten Phase eine Unterstützungslücke bleibt. Da Produkte zunehmend multidisziplinär werden und Unternehmen weniger spezialisierte Designer einbeziehen möchten, werden diese Einschränkungen schwerer zu übersehen.

Was heutige KI richtig — und falsch — macht

Jüngste große Sprachmodelle (LLMs) wie GPT-4o und DeepSeek haben beeindruckende Denkfähigkeiten gezeigt und können bereits bei Aufgaben wie dem Verfassen von Berichten oder dem Brainstorming helfen. Sie lassen sich außerdem in „Agenten“ verwandeln, die Schritte planen, Werkzeuge aufrufen und externe Datenbanken befragen. Trotzdem tun sie sich beim Ingenieurdesign ab Werk schwer: Ihnen fehlt oft domänenspezifisches Wissen, sie können Nutzerabsichten falsch interpretieren und neigen zu „Halluzinationen“—zuversichtlichen, aber falschen Aussagen. Bestehende KI-Designhilfen konzentrieren sich typischerweise auf einen einzelnen Schritt, etwa die Ideenfindung, und sind empfindlich gegenüber der Qualität der Nutzerprompts. Das macht sie in risikoreichen Designentscheidungen oder zur Unterstützung von Einsteigern, die subtile technische Fehler nicht leicht erkennen können, schwer vertrauenswürdig.

Ein strukturiertes KI-Partner für Designer

iDesignGPT begegnet diesen Problemen, indem es LLM-Agenten in einen vollständigen, methodengetriebenen Designprozess einbettet. Auf einer offenen Plattform aufgebaut, organisiert es KI-Assistenten in Clustern mit unterschiedlichen Rollen—Analysten, Informationsbeauftragte, Innovatoren und Evaluatoren—die mit vier Phasen verbunden sind: Problemdefinition, Informationssammlung, Generierung von Konzepten und Bewertung von Optionen. Im „Copilot“-Modus arbeitet ein konversationeller Agent mit dem Nutzer zusammen, um Ziele zu klären und Anforderungen durch natürlichen Dialog zu verfeinern; er akzeptiert Text und Bilder. Im „Agent“-Modus wenden spezialisierte Agenten automatisch etablierte Designmethoden an, etwa Bedarfsanalyse-Frameworks und Quality-Function-Matrices, um Kundenwünsche in gewichtete technische Zielgrößen zu übersetzen. Eine Wissensdatenbank zieht Patente, wissenschaftliche Artikel und preisgekrönte Produktbeispiele heran, während Leitplanken und Gegenprüfungsagenten helfen, Halluzinationen zu reduzieren und den Prozess transparent zu halten.

Erprobung des Systems

Um zu prüfen, ob dieses Rahmenwerk in der Praxis funktioniert, testeten die Autoren iDesignGPT an einer hochkarätigen Herausforderung: der Auslegung eines kompakten Rettungsflugzeugs, das in Notfällen autonom fliegen kann. Das System erweiterte und reorganisierte zunächst die ursprüngliche Anforderungsliste, strich enge Testfalldetails und leitete breitere Bedürfnisse wie Sicherheit und Autonomie ab. Anschließend durchsuchte es Patente, Forschungsarbeiten und Designpreis-Datenbanken und nutzte mehrere kreative Methoden—Biomimikry, Brainstorming, strukturierte Rekombination und Analyse erfinderischer Prinzipien—um modulare Lösungsoptionen zu entwickeln. Schließlich bewertete und wählte es ein kombiniertes Design aus. Quantitative Messungen zeigten, dass dieser Prozess den erkundeten Designraum erweiterte und die Vielfalt sowie Neuheit der Ideen in der frühen Phase erhöhte, bevor er sich in Richtung Verfeinerung bewegte. Beim Vergleich des resultierenden Konzepts mit 22 preisgekrönten menschlichen Beiträgen aus demselben Wettbewerb lag seine Kundenzufriedenheitsbewertung ungefähr im oberen Viertel.

Vergleich mit anderen KI-Arbeitsabläufen

Das Team verglich iDesignGPT zudem mit Standard-LLM-Setups—einfaches Prompting, Chain-of-Thought-Prompting und ein auf Schlussfolgerung fokussiertes Modell—an sechs öffentlichen Ingenieursaufgaben von Agenturen wie der NASA und dem US-Energieministerium. Mit objektiven, in der Ingenieurpraxis verankerten Metriken bewerteten sie Lösungen nach Neuheit, Originalität (wie unähnlich zu existierenden Patenten), Rationalität, technischer Reife und Modularität. iDesignGPT erzeugte durchweg originellere und modularere Konzepte bei gleichbleibend starker Rationalität, auch wenn seine Ideen etwas weniger implementierungsreif waren als die konservativster Modelle. Fachexperten bestätigten diese Muster weitgehend. In Nutzerstudien mit 48 Teilnehmenden von Studierenden bis zu professionellen Ingenieuren reduzierte KI-Unterstützung allgemein die mentale Belastung gegenüber rein menschlichem Design, und iDesignGPT gab insbesondere Nachwuchsdesignern klarere Prozessanleitungen, deckte übersehene Bedürfnisse auf und unterstützte Entscheidungsprozesse, ohne fortgeschrittene Prompt-Schreibfähigkeiten zu verlangen.

Was das für zukünftige Designer bedeutet

Für Laien lautet die wichtigste Erkenntnis: Werkzeuge wie iDesignGPT sollen Ingenieure nicht ersetzen, sondern die frühen, chaotischen Phasen des Designs zugänglicher, transparenter und erforschender machen. Indem sie rigorose Designmethoden in multiagentische KI-Arbeitsabläufe packen, helfen diese Rahmenwerke Nutzern, klarer zu artikulieren, was sie wirklich brauchen, ein breiteres Spektrum an Möglichkeiten zu erkunden und Optionen anhand expliziter Kriterien zu vergleichen. Obwohl sie weiterhin Grenzen haben—insbesondere bei eng begrenzten Problemen und außerhalb der konzeptionellen Phase—bieten sie einen Ausblick auf Designumgebungen, in denen Studierende, Generalisten und Expertinnen gleichermaßen komplexe Systeme gemeinsam mit einer KI erschaffen können, die weniger wie ein gesprächiger Assistent und mehr wie ein methodischer, gut trainierter Kollaborateur agiert.

Zitation: Liu, S., Shen, Y., Zhang, Y. et al. iDesignGPT enhances conceptual design via large language model agentic workflows. Nat Commun 17, 1997 (2026). https://doi.org/10.1038/s41467-026-68672-1

Schlüsselwörter: Ingenieurdesign, KI-Designtools, große Sprachmodelle, Konzepterstellung, Mensch–KI-Zusammenarbeit