KI boomt im Büro: Was hinter dem langsameren Wachstum im Engineering steckt
108 zu 5. Auf den ersten Blick scheint der Vergleich aus den aktuellen Enterprise Signals von OpenAI eindeutig: Während der Einsatz von KI in Rechtsabteilungen, Marketing, Recruiting und Vertrieb rasant wächst, entwickelt sich Engineering deutlich langsamer. Doch die Zahlen erzählen weniger von einem Rückstand als von unterschiedlichen Ausgangspunkten. Softwareentwickler:innen gehörten zu den frühen Nutzer:innen. Gleichzeitig zeigt der Blick auf die industrielle Produktentwicklung, warum der nächste Schritt anspruchsvoller ist: KI muss dort mit gewachsenen Datenbeständen, spezialisierten Werkzeugen und technisch überprüfbaren Ergebnissen umgehen.
Warum Engineering bei OpenAI langsamer wächst
Seit Februar ist die Zahl der wöchentlich aktiven Codex-Nutzer:innen bei OpenAI-Unternehmenskunden im Rechtsbereich auf das 108-Fache gestiegen, in Vertrieb und Recruiting auf das 41-Fache und im Marketing auf das 26-Fache. Im Engineering liegt der Faktor bei fünf. Die Zahlen stammen aus den im August 2026 aktualisierten Enterprise Signals von OpenAI.
Der Vergleich lässt sich allerdings leicht missverstehen. OpenAI misst nicht die gesamte Nutzung von ChatGPT oder Künstlicher Intelligenz, sondern wöchentlich aktive Nutzer:innen von Codex. Absolute Nutzerzahlen für die einzelnen Bereiche nennt das Unternehmen nicht. Ein fünfmal höherer Wert kann deshalb von einer deutlich größeren Ausgangsbasis stammen als ein Wachstum um den Faktor 108.
Softwareentwickler:innen gehörten zudem zu den ersten Berufsgruppen, die KI-Agenten eingesetzt haben. Dafür gibt es praktische Gründe: Code liegt bereits digital vor, Codebasen liefern Kontext und Tests helfen dabei zu prüfen, ob eine Änderung funktioniert. In anderen Bereichen der Wissensarbeit sind Aufgaben häufig schwieriger zu beschreiben und Ergebnisse weniger eindeutig überprüfbar. OpenAI führt den geringeren Wachstumsfaktor im Engineering selbst auf diesen früheren Start zurück.
Hinzu kommt: Das „Engineering“ in den OpenAI-Daten ist vor allem Software Engineering. Konstruktion, Systems Engineering oder die Entwicklung eines mechatronischen Produkts im Maschinenbau bilden die Zahlen nicht unmittelbar ab.
Für die industrielle Produktentwicklung beginnt die eigentliche Herausforderung dort, wo KI in bestehende Prozesse, Datenbestände und Werkzeuge eingebunden werden soll.
Im Maschinenbau wird aus Nutzung noch lange keine Integration
Auch im Maschinen- und Anlagenbau ist Künstliche Intelligenz längst angekommen. Schwieriger wird es, wenn aus einzelnen Anwendungen ein fester Bestandteil der täglichen Arbeit werden soll.
Eine 2025 veröffentlichte Studie von VDMA Software und Digitalisierung und Strategy& untersuchte dafür 247 Industrieunternehmen in Deutschland, Österreich und der Schweiz. Das Ergebnis zeigt eine deutliche Lücke zwischen Interesse und Umsetzung: Lediglich sieben Prozent der Unternehmen hatten generative KI zum Zeitpunkt der Befragung systematisch im gesamten Unternehmen ausgerollt. 36 Prozent befanden sich mit Pilotprojekten in der Umsetzung oder hatten diese abgeschlossen. Weitere 23 Prozent standen vor der Implementierung in einer Pilotphase. Die vollständige Studie „GenAI im Maschinen- und Anlagenbau“ ist beim VDMA veröffentlicht.
Als zentrale Hürden nennt die Untersuchung fehlende oder qualitativ unzureichende Daten, mangelnde Fachkenntnisse sowie technische Schwierigkeiten bei Infrastruktur und Software. Damit geht es nicht allein um die Leistungsfähigkeit eines Sprachmodells. Entscheidend ist auch, wie Unternehmen ihr Wissen organisieren, welche Daten verfügbar sind und wie ihre Entwicklungsprozesse aufgebaut sind.
Eine kleinere Untersuchung aus dem November 2025 zeigt, dass die Nutzung inzwischen weiter fortgeschritten ist. VDMA Großanlagenbau und Strategy& befragten dafür 21 Anlagenbauer im deutschsprachigen Raum. 59 Prozent gaben an, generative KI bereits in täglichen Prozessen und Arbeitsabläufen einzusetzen. Gleichzeitig hatten nur 33 Prozent der bereits aktiven Unternehmen die Technologie systematisch im gesamten Unternehmen implementiert, 23 Prozent arbeiteten weiterhin in Pilotprojekten. Die Ergebnisse der Untersuchung hat der VDMA im November 2025 veröffentlicht.
Die Stichprobe ist deutlich kleiner und auf den Großanlagenbau begrenzt. Sie lässt deshalb keinen direkten Vergleich mit der breiteren Studie zu. Beide Untersuchungen zeigen jedoch dasselbe Grundproblem: Zwischen dem Einsatz einzelner KI-Anwendungen und ihrer systematischen Verankerung im Unternehmen liegt eine erhebliche Umsetzungslücke.
Engineering lässt sich nicht auf ein Chatfenster reduzieren
Warum diese Lücke im Engineering besonders relevant ist, zeigt sich beim Blick auf einen typischen Entwicklungsprozess.
Eine technische Anforderung kann in einem Dokument stehen, eine Produktfunktion in einem Modell beschrieben sein, Bauteildaten liegen in einem weiteren System und wichtige Entscheidungen finden sich in Protokollen vergangener Projekte. Hinzu kommt Erfahrungswissen von Beschäftigten, das oft gar nicht strukturiert dokumentiert ist.
Wer einen Text zusammenfassen oder eine erste Idee formulieren möchte, kann mit einem einzelnen KI-Werkzeug bereits weit kommen. Soll das System dagegen eine technische Aufgabe im Zusammenhang eines konkreten Produkts unterstützen, muss es auf die richtigen Informationen zugreifen, Zusammenhänge erkennen und sich in bestehende Entwicklungswerkzeuge einfügen. Und das Ergebnis muss sich fachlich prüfen lassen.
Eine 2024 veröffentlichte Untersuchung der Technischen Universität München unter 163 Industrieingenieur:innen kommt zu einem ähnlichen Befund. Das Interesse an KI in der frühen Produktentwicklung war hoch, die Integration in den täglichen Arbeitsprozess hingegen noch gering. Zu den wichtigsten Hindernissen gehörten fehlendes Fachwissen, Implementierungskosten und die Nutzbarkeit vorhandener Daten. Mehr als zwei Drittel der Befragten planten zugleich einen stärkeren Einsatz.
Die Trennlinie verläuft damit zunehmend nicht mehr zwischen Unternehmen, die KI nutzen, und solchen, die es nicht tun. Entscheidend wird, ob einzelne Anwendungen in die tatsächliche Entwicklungsarbeit eingebunden werden können.
Der größere Hebel liegt näher am Produkt
Ausgerechnet dort wird der Einsatz anspruchsvoller, wo die wirtschaftlichen Auswirkungen besonders groß sein können.
Die VDMA/Strategy&-Studie von 2025 analysiert 45 mögliche Anwendungen entlang des Maschinen- und Anlagenbaus. Für Forschung und Entwicklung errechnen die Autor:innen bei vollständiger Umsetzung ein mögliches Potenzial von 1,7 Prozentpunkten zusätzlicher operativer Marge. 43 Prozent der befragten Unternehmen erwarteten gerade in Forschung und Entwicklung besonders große Auswirkungen. Gleichzeitig stellt die Studie fest, dass die bislang verbreiteten Anwendungen häufig in unterstützenden Funktionen liegen.
Die Zahlen sind eine Modellrechnung und keine Prognose für ein einzelnes Unternehmen. Sie zeigen aber, dass ein erheblicher Teil des möglichen wirtschaftlichen Nutzens nicht bei allgemeinen Büroaufgaben liegt, sondern näher an Entwicklung, Planung und Produkt.
Genau dort steigen gleichzeitig die Anforderungen an Daten, Integration und Verlässlichkeit.
Vom einzelnen Werkzeug in den Ingenieursalltag
Das it’s OWL Leitprojekt ENGAGE-KI untersucht diese Voraussetzungen für den Einsatz von KI im Engineering. Im Mittelpunkt steht nicht ein einzelnes Werkzeug, sondern die Frage, wie bestehendes Entwicklungswissen, spezialisierte Software und neue KI-Anwendungen zusammenspielen können.
Ein Schwerpunkt liegt auf dem vorhandenen Wissen in Unternehmen. Informationen aus Dokumenten, Modellen, Datenbanken und Erfahrungswissen sollen besser auffindbar und im richtigen Zusammenhang verfügbar werden. Hinzu kommen Copiloten für typische Entwicklungsaufgaben und KI-Agenten, die mehrere Arbeitsschritte miteinander verbinden können. Gleichzeitig untersucht das Projekt Datenstrukturen, Schnittstellen und die Einbindung in bestehende Engineering-Werkzeuge.
Technik ist dabei nur eine Seite. Wenn sich Aufgaben und Abläufe verändern, müssen Unternehmen auch klären, welche Entscheidungen weiterhin beim Menschen liegen, welche Kompetenzen Beschäftigte benötigen und an welchen Stellen Unterstützung tatsächlich Arbeit spart. ENGAGE-KI verbindet deshalb technische Entwicklungen mit Qualifizierung und Transfer in den Mittelstand.
Die hohen Wachstumsraten aus den OpenAI-Daten zeigen, wie schnell sich KI-Werkzeuge derzeit in immer mehr Unternehmensbereichen verbreiten. Für das industrielle Engineering reicht Verbreitung allein jedoch nicht aus.
Dort wird sich der Fortschritt nicht daran messen lassen, wie häufig ein KI-Werkzeug geöffnet wird. Sondern daran, ob es sich so in Entwicklungsprozesse einfügt, dass Ingenieur:innen damit schneller zu belastbaren Ergebnissen kommen.
