Model-Based Systems Engineering und KI werden oft als Gegensätze diskutiert: hier die strenge, methodische Modellierung, dort die freie, manchmal unberechenbare KI. In der Praxis ergänzen sie sich besser, als es zunächst scheint, vorausgesetzt, die Modelle liegen in einer Form vor, die eine KI überhaupt verarbeiten kann. Genau das ändert sich mit SysML v2. Dieser Beitrag zeigt, wie textuelle Modelle und KI-Agenten zusammenspielen und wie ein realistischer Einstieg aussieht.
Von sequenziellen Schritten zu integrierten Prozessen
Klassische MBSE-Methoden folgen einem sequenziellen Ablauf: Anforderungsanalyse, funktionale Architektur, logische Architektur, physische Architektur. Jeder Schritt verlangt detaillierte Modellierung und eigene Reviews. Mit KI-Unterstützung rücken diese Schritte enger zusammen, weil ein KI-Agent mehrere Abstraktionsebenen gleichzeitig bearbeiten kann.
Aus einer funktionalen Anforderung lassen sich so parallel die funktionale Zerlegung ableiten, Schnittstellen identifizieren und logische Komponenten vorschlagen. Arbeiten, die traditionell nacheinander und über Wochen verteilt anfallen, entstehen dadurch in deutlich kürzeren Zyklen, wobei die KI Vorschläge macht und die Ingenieur:innen sie bewerten und verfeinern.
SysML v2: die Sprache, die KI zugänglich ist
Warum die textuelle Syntax den Unterschied macht
SysML v2 bildet mit seiner textuellen Kernsyntax die Brücke zwischen menschlicher Methodik und maschineller Verarbeitung. Während SysML v1 primär auf grafische Notation setzte, erlaubt die textuelle Repräsentation von SysML v2 die direkte Verarbeitung durch Large Language Models, Modelle werden für KI lesbar und schreibbar, statt in Diagrammen eingeschlossen zu bleiben.
part def VehicleControlSystem {
perform action detectObstacle;
perform action calculateTrajectory;
perform action executeManeuver;
flow detectObstacle.sensorData to calculateTrajectory.input;
}
Eine KI versteht diese Struktur, erkennt Muster aus ähnlichen Systemen und schlägt darauf aufbauend Verfeinerungen, Schnittstellen und Verhaltensbeschreibungen vor.
Methodik bleibt das Gerüst
Die eigentliche Stärke liegt in der Kombination aus etablierter MBSE-Methodik und KI-Fähigkeiten. Die über Jahrzehnte verfeinerten Vorgehensmodelle, V-Modell, RFLP (Requirements, Functional, Logical, Physical), bilden das strukturelle Gerüst, an dem sich KI-Agenten orientieren. Die KI ersetzt die Methodik nicht, sie arbeitet in ihr.
| Entwicklungsphase | Traditionelle Methode | KI-unterstützte Methode |
|---|---|---|
| Funktionale Dekomposition | schrittweise Verfeinerung, manuelle Reviews je Ebene | parallele Generierung der Ebenen, fokussiertes Review kritischer Pfade |
| Interface-Definition | sequenzielle Spezifikation, iterative Abstimmung | automatische Ableitung aus Funktionen, laufende Konsistenzprüfung |
| Verhaltensmodellierung | Bottom-up-Erstellung, separate State Machines | Top-down-Synthese, integrierte Verhaltensmodelle |
Reviews mit klarem Fokus
Besonders deutlich wird der Effekt im Review-Prozess. Statt jeden einzelnen Modellierungsschritt zu prüfen, kann sich das Review auf die Stellen konzentrieren, an denen es wirklich auf menschliches Urteil ankommt.
Drei Arten von Stellen rücken dabei in den Vordergrund. Erstens die kritischen Entscheidungspunkte: Wo mehrere Lösungsvarianten möglich waren, markiert die KI die Entscheidung zur Bewertung. Zweitens Anomalien und Abweichungen: Weicht die generierte Architektur von etablierten Mustern ab, wird das explizit gekennzeichnet, während standardkonforme Lösungen ohne detaillierte Prüfung passieren. Und drittens die Schnittstellen-Kritikalität: Interfaces werden nach Komplexität und Safety-Relevanz priorisiert, sodass die Aufmerksamkeit dorthin fließt, wo das Risiko am größten ist.
Warum gute Methodik die KI erst stark macht
Es klingt zunächst paradox, doch gerade die strikte Methodik traditioneller MBSE-Ansätze ist der Schlüssel für eine erfolgreiche KI-Integration. Klare Strukturen, definierte Abstraktionsebenen und standardisierte Notationen sind genau das Material, aus dem KI-Agenten verlässlich lernen.
Unternehmen mit ausgereiften MBSE-Prozessen profitieren deshalb doppelt: Ihre vorhandenen Modelle dienen als hochwertige Grundlage, und ihre Ingenieur:innen können die generierten Ergebnisse im methodischen Kontext einordnen und beurteilen. Die KI wird so zum Beschleuniger bewährter Methoden, nicht zu deren Ersatz.
Ein realistischer Einstieg
In der Praxis hat sich ein schrittweiser Übergang bewährt, statt den großen Wurf zu versuchen.
Stufe 1 — Assistenz: Die KI übernimmt Routineaufgaben wie die Generierung von Schnittstellen oder Konsistenzprüfungen, während die Ingenieur:innen die volle Kontrolle behalten und vor allem Zeit bei repetitiven Tätigkeiten sparen.
Stufe 2 — Ko-Kreation: Das Team spezifiziert High-Level-Anforderungen in SysML v2, die KI generiert daraus detaillierte Modelle, und beide verfeinern das Ergebnis im Dialog.
Stufe 3 — Autonome Synthese: Die KI übernimmt ganze Modellierungsaufgaben für Standard-Komponenten eigenständig, sodass sich die Ingenieur:innen auf innovative Aspekte und die System-Integration konzentrieren können.
Eine veränderte Rolle, kein Kontrollverlust
Mit dieser Entwicklung verschiebt sich die Rolle der Ingenieur:innen: weg von der Detailmodellierung, hin zu Architektur- und Validierungsaufgaben. Die Herausforderung liegt dann nicht mehr im Erstellen der Modelle, sondern im Definieren der richtigen Abstraktionen und im Bewerten der kritischen Entscheidungen.
Das verlangt teils neue Kompetenzen, das Verständnis von Systemzusammenhängen, das Abwägen von Architekturalternativen, die präzise Spezifikation von Constraints. Es bedeutet aber keinen Kontrollverlust: Die finalen, sicherheits- und designrelevanten Entscheidungen bleiben beim Menschen.