Prof. Dr. Sören Auer: Warum Wissensgraphen und KI jetzt ins Engineering gehören

Die Keynote auf den Automotive Days am 4./5. November in München wird von Prof. Dr. Sören Auer zum Thema Generative KI mit Wissensgraphen gehalten. Grund genug, schon vor der Veranstaltung ein paar Impulse von Prof. Auer einzuholen. Das folgende Interview wurde schriftlich am 29. September 2025 durchgeführt.

Automotive Days

Die Automotive Days werden jedes Jahr von Sodius-Willert veranstaltet. Ähnlich wie die MESConf, ist es eine Mischung aus „Boutique-Konferenz“ und Barcamp. Die Teilnahmegebühr ist so niedrig, dass sie eher als Schutzgebühr einzustufen ist. Bei einer Größe von um die 100 Teilnehmern ist sie groß genug, um über den eigenen Tellerrand hinauszuschauen, aber klein genug, um sich intensiv mit den Teilnehmern auszutauschen. Mehr Infos & Anmeldung >>

Deal: Ich habe ein Kontingent von 5 Frühbuchertickets (€90 sparen). Bitte direkt bei mir melden bei Interesse: First come, first serve!

Wer also Prof. Auer in einer Keynote live erleben möchte, sollte die Veranstaltung am 29. September 2025 in München besuchen.

Forschungsschwerpunkte an der Leibniz Universität Hannover / TIB

Mein Forschungsschwerpunkt liegt im Bereich Datenmanagement, neuro-symbolische KI, semantische Technologien und Wissensgraphen. An der Leibniz Universität Hannover und der TIB arbeiten wir daran, wie Wissen in Form von vernetzten, maschineninterpretierbaren Strukturen repräsentiert und genutzt werden kann. Dabei geht es nicht nur um Grundlagenforschung, sondern auch um die Entwicklung konkreter Werkzeuge, mit denen Unternehmen und Forschende Daten effektiver verknüpfen, analysieren und nutzbar machen können.

Themen wie Wissensrepräsentation, KI-gestützte Informationssuche, Retrieval-Augmented Generation (RAG) und Systems Engineering bilden den Kern meiner Forschung.

Prof. Sören Auer

Praktische Relevanz für die Entwicklung komplexer physikalischer Produkte

Die Entwicklung moderner Produkte – ob Fahrzeug, Maschine oder komplexes Bauwerk – ist ein Paradebeispiel für System-of-Systems Engineering: Viele Disziplinen, Komponenten und Datenquellen müssen integriert werden. Unsere Ansätze helfen dabei, diese enorme Komplexität zu meistern. Durch Wissensgraphen lassen sich Entwicklungsdaten über Abteilungsgrenzen hinweg vernetzen, Abhängigkeiten werden transparent und Risiken frühzeitig sichtbar. In Kombination mit KI-Methoden können Ingenieure Designentscheidungen besser absichern, Varianten schneller durchspielen und Wissen aus früheren Projekten wiederverwenden. Kurz gesagt:

Wir liefern die methodische Grundlage, damit Unternehmen ihre Entwicklungsprozesse robuster, effizienter und innovationsfähiger gestalten können.

Prof. Sören Auer

Relevanz für die Transformation der Automobilindustrie & Potenzial von Wissensgraphen / RAG

Die Automobilindustrie steht vor einer doppelten Transformation: Elektrifizierung und Digitalisierung. Das bedeutet, die Komplexität steigt enorm – Software, Elektronik und Mechanik wachsen immer enger zusammen. Hier kommen unsere Forschungsfelder direkt ins Spiel:

Kurzfristig können Wissensgraphen und RAG-Technologien Dateninseln auflösen. Beispielsweise in der Anforderungsdokumentation, im Variantenmanagement oder bei regulatorischen Vorgaben. Ingenieure sparen Zeit bei der Informationssuche und vermeiden Fehler, weil sie kontextbezogenes Wissen direkt im Arbeitsprozess zur Verfügung haben.

Langfristig entstehen daraus intelligente Engineering-Assistenzsysteme, die Systemarchitekten oder Entwickler aktiv unterstützen, nicht nur beim Finden, sondern auch beim Verstehen und Optimieren komplexer Zusammenhänge. Damit lassen sich Transformationsprojekte beschleunigen, Qualitätsprobleme reduzieren und Innovationszyklen verkürzen. Gerade für die Automobilindustrie kann dies den entscheidenden Unterschied machen, um im globalen Wettbewerb nicht nur Schritt zu halten, sondern eine Vorreiterrolle einzunehmen.

Stand der Industrie & Start-ups im Bereich Wissensgraphen und RAG

Wir beobachten, dass das Thema in der Industrie an Fahrt aufnimmt. Viele Unternehmen haben Pilotprojekte gestartet, aber oft fehlt noch eine durchgängige Strategie, um Wissensgraphen und KI systematisch im Engineering einzusetzen. Spannend ist, dass sich Start-ups genau auf diese Lücke fokussieren:

• Spread AI arbeitet beispielsweise an der intelligenten Analyse und Verknüpfung von Engineering-Daten.
• Raiqon AI wiederum setzt auf KI-gestützte Informationszugriffe für hochspezialisierte Unternehmensbereiche besonders im Bereich Requirements Engineering.
• Mit unserem Spin-Off eccenca haben wir eine Plattform (Corporate Memory) für die Vernetzung von Unternehmensdaten, Informationen und Wissen für die Automatisierung von komplexen Entscheidungsprozessen entwickelt, die inzwischen bei einer Vielzahl von Unternehmen im Einsatz ist.

Diese Beispiele zeigen, dass hier ein dynamisches Ökosystem entsteht, das etablierte Unternehmen dringend im Blick behalten sollten.

Blick in die Zukunft – Entwicklungen & Empfehlungen

In den nächsten fünf Jahren rechne ich mit drei entscheidenden Entwicklungen:

1. Zunehmende Standardisierung und Etablierung von Wissensgraphen in der Industrie: Unternehmen werden vermehrt auf gemeinsame Datenmodelle setzen, um Silos aufzubrechen.
2. Integration von KI in Engineering-Workflows: Retrieval-Augmented Generation und Erweiterungen wir Knowledge-Augumented-Generation werden nicht länger Pilotprojekte sein, sondern selbstverständlich in Tools wie PLM- oder Requirements-Management-Systemen eingebettet.
3. Intelligente Assistenzsysteme für Systemarchitekten machen KI wird zur „zweiten Denkschicht“ im Engineering: Ein Werkzeug, das komplexe Abhängigkeiten erklärt, Szenarien durchrechnet und Entscheidungssicherheit gibt.

Meine Empfehlung an Systemarchitekten und Entscheider

Beginnen Sie jetzt mit Pilotprojekten zum Einsatz von Wissensgraphen und neuro-symbolischer KI in abgegrenzten Bereichen, etwa in der Anforderungsanalyse oder beim Variantenmanagement. So schaffen Sie organisatorisches und technisches Erfahrungswissen. Parallel sollten Sie eine Datenstrategie entwickeln, die Wissensgraphen und KI von Anfang an berücksichtigt. Nur so kann die Transformation nachhaltig gelingen.