Entwickeln, kaufen oder kombinieren im Engineering

TL;DR. Wann ist es sinnvoll, eine eigene agentenbasierte Plattform für die Entwicklung aufzubauen? Wann sollte man einfach mal etwas mit den neuesten Modellen vibe coden, und wann ist es sinnvoll, eine Lösung von einem Anbieter zu kaufen? Gartners „Build, Buy or Blend“-Framework macht es deutlich: Kern-F&E-Entwicklung ist ein „Extend“-Anwendungsfall – „die Transformation bestehender Prozesse oder Teams zur Wettbewerbsdifferenzierung“ –, sodass sowohl „wir nutzen die Unternehmens-KI-Plattform, die wir bereits besitzen“ als auch „wir machen es selbst“ zu kurz greifen. Für differenzierende Engineering-Arbeit mit Wettbewerbsrelevanz setzt sich die speziell entwickelte agentenbasierte KI-Lösung durch, die Gartner „Blend“ nennt.

‍

Jede F&E-Engineering-Organisation führt heute in irgendeiner Form dieselbe Diskussion:

• Die eine Seite meint, das Unternehmen verfüge bereits über eine KI-Orchestrierungsplattform für Unternehmen wie AWS Bedrock, Google Vertex oder Microsoft Foundry, daher solle die Entwicklungsabteilung diese einfach nutzen
• Die andere Seite hat mit Claude oder Gemini und ein paar internen Skripten etwas zusammengestellt und ist der Meinung, das Team könne alles entwickeln, was es brauche.
• Eine dritte Seite ist sich nicht sicher, wie sie sich entscheiden soll, und fühlt sich von der Vielzahl der KI-Optionen überfordert.

Die Diskussion wirkt wie die vertraute Build-or-Buy-Debatte aus der Technologiewelt. Sie geht davon aus, dass die KI ein Geschäftsproblem mit Geschäftsdaten löst. Doch Hardware-Engineering ist anders, mit anderen Daten: 3D-Geometrie sowie mechanische und physikalische Probleme, die es zu lösen gilt.

Gartner^® bietet ein neutrales Framework für die Build-or-Buy-Entscheidung, das Sie zur Orientierung für Ihre KI-Entscheidung im Engineering anwenden können. Dieser Artikel bietet meine fachliche Einschätzung zur praktischen Anwendung des Frameworks.

Es ist wichtig zu beachten, dass nicht jeder Anwendungsfall für KI einen monetären Ertrag erzielt. Diese Technologie bietet auch andere Formen von Wert, die ebenso wertvoll sind.

Gartner, How to Decide Whether to Build, Buy or Blend Your AI Projects

Was das Gartner-Framework wirklich verlangt

Der entscheidende Schritt besteht darin, KI nicht länger als ein einziges, undifferenziertes Unternehmensprojekt zu behandeln. Tut man das, zeigt sich: F&E-Engineering ist der Fall, den die meisten Teams falsch einordnen.

Gartner ordnet jedes KI-Projekt anhand seines strategischen Zwecks einer von drei Kategorien zu.

• Defend: KI, die „die individuelle Produktivität steigert, um die Wettbewerbsparität zu wahren“. An der eigentlichen Arbeit ändert sich kaum etwas. Denken Sie an ein Tool, das Berichte schneller analysiert oder einem Entwickler hilft, früher fertig zu werden.
• Extend: KI, die „bestehende Prozesse oder Teams für die Wettbewerbsdifferenzierung transformiert“. Die Arbeit selbst bleibt bestehen, aber KI verändert, wie gut Sie sie erledigen, idealerweise zu Ihrem Wettbewerbsvorteil. Denken Sie an spezialisierte Lösungen, die eine Domäne wirklich beherrschen.
• Upend: KI, die „durch neue Wertversprechen, Produkte oder Märkte disruptiv wirkt“. Das ist eine größere, riskantere Wette, aber die Auszahlung kann enorm sein. Denken Sie an den Einsatz von KI, um ein neues Medikament zu entdecken.

Gartner nennt außerdem neun Faktoren, die CTOs bei der Entscheidung zwischen Kauf und Eigenbau von KI für das Engineering berücksichtigen sollten.

Zu diesen Faktoren zählen unter anderem, inwieweit Sie sich durch diese Funktion von anderen abheben, wie schnell Sie sie benötigen, ob die entsprechenden Kompetenzen im eigenen Haus vorhanden sind, wie viel Kontrolle und Sicherheit Sie benötigen, die Gesamtbetriebskosten sowie die Datenbereitschaft.

Der weitere Weg ist naheliegend, sobald man ihn einmal erkannt hat:

• Defend-Arbeit tendiert zum Kauf, weil Sie die Effizienz von der Stange wollen, ohne knappes Talent dafür einzusetzen.
• Extend-Arbeit, die Differenzierungsebene, ist dort, wo eine speziell entwickelte Lösung glänzt, weil Sie mehr brauchen als eine Einheitslösung, aber keine Zeit und Ressourcen verlieren wollen, um die Grundlage selbst zu erfinden.
• Upend-Arbeit tendiert zum Eigenbau, weil echte Disruption sich kaum von der Stange kaufen lässt.

‍

Agentenbasierte KI für das Engineering ist eine „Extend“-Lösung

Hier stolpern die meisten Teams. Sie ordnen KI für das Engineering unter „hilft Teams, ihre Arbeit besser und schneller zu erledigen“ ein und etikettieren sie damit fälschlich als „Defend“-Zweck.

Forschung und Entwicklung sind jedoch keine allgemeine Effizienzstrategie für das Unternehmen. Simulations- und Konstruktionsmethodik, Material-Know-how und die Art und Weise, wie Ihr Team Anforderungen in validierte Bauteile umsetzt, gehören zu den Faktoren, durch die sich Ihr Unternehmen am stärksten von anderen abhebt. Das ist ein klassisches Beispiel für „Extend“.

Sobald man die Zweckbezeichnung korrigiert, wird die Entscheidungslogik präziser, und die beiden gängigen Optionen, die Käufer meiner Beobachtung nach in Betracht ziehen, geraten ins Wanken:

• „Wir haben bereits einen KI-Orchestrator im Haus“: Der Fokus auf vorhandene Technologie im Unternehmen, Microsoft Foundry, Amazon Bedrock oder Ähnliches, ist für Effizienzarbeit im gesamten Unternehmen sinnvoll. Für das Engineering ist er unvollständig, denn ein unternehmensweiter KI-Orchestrator ist darauf ausgelegt, über Dokumente und Geschäftsdaten zu schlussfolgern, nicht 3D-Designs nach einer validierten Engineering-Methode zu vernetzen oder Simulationen mit Ergebnissen durchzuführen, die Ingenieurinnen und Ingenieure freigeben können. Enterprise-KI-Agenten können beraten. Sie können keine Engineering-Arbeit ausführen, weil ihnen native Kernels für 3D-Geometrie fehlen und sie nicht dafür ausgelegt sind, das „Wie“ hinter Engineering-Entscheidungen zu erfassen, das im Kopf Ihrer erfahrenen Ingenieurinnen und Ingenieure steckt.

• „Wir bauen es selbst mit Claude“: Auf den ersten Blick erscheint das sinnvoll, denn das „Vibe-Coding“ und die Erstellung von Agenten mit Claude, GPT und Gemini ist so einfach. Es wirkt kosteneffizient, da sich ein Automatisierungsprototyp innerhalb eines Tages erstellen lässt und immer mehr MCP-Integrationen für Ihren technischen Stack verfügbar sind. Die neun Faktoren von Gartner zeigen jedoch, was dieser Weg im Laufe der Zeit wirklich von Ihnen verlangt. Sie müssen die Anbindung an Ihre CAx-, PLM-, ERP- und andere Unternehmenswerkzeuge aufrechterhalten. Das System muss jedes Mal auf die gleiche Weise laufen, damit Sie den Ergebnissen vertrauen können. Es muss auch dann noch funktionieren, wenn die Entwickler das Unternehmen verlassen, um an neuen Projekten zu arbeiten, und sich die KI-Modelle ändern. Und es muss skalierbar sein, um Ihr gesamtes Engineering-Team zu unterstützen – nicht nur einen einzelnen Workflow.

‍

Warum Gartners „Blend“ meist die richtige Antwort ist

Wenn ein pauschaler „Defend“-Kauf die Lücke bei der Umsetzung offen lässt und eine vollständige Eigenentwicklung Wartungs- und Sicherheitskosten mit sich bringt, die die meisten Teams unterschätzen, bleibt nur noch das, was Gartner als „Blend“ bezeichnet. Für den Bereich Engineering ist dies in der Regel die beste Option und kein Kompromiss.

„Blend“ bedeutet eine Plattform, die speziell für Ingenieuraufgaben entwickelt wurde. Sie profitieren von der Individualität eines Systems, das auf Ihrem hauseigenen geistigen Eigentum basiert, bei gleichzeitig geringen Gesamtbetriebskosten, da Sie die Lösung nicht von Grund auf neu aufbauen oder warten mussten. In den Worten von Gartner:

Eine Kombination verschiedener Lösungen ist eine attraktive Option für „Erweiterungs“-Funktionen und -Projekte, da viele dieser Vorhaben mit der Zeit zu einer standardisierten „Verteidigungs“-Kategorie werden. Die Kombination unternehmensspezifischer Funktionen mit anpassungsfähigeren kommerziellen Produkten ist ein effektiver Weg, um bestimmte Funktionen in kürzerer Zeit bereitzustellen.

Genau für diese Kategorie wurde Synera entwickelt: agentenbasierte KI für das Ingenieurwesen. Der entscheidende Unterschied liegt in der Ausführung ingenieurtechnischer Aufgaben. Das System führt ingenieurtechnische Arbeitsabläufe vor Ort aus, sodass firmeneigene Entwürfe und Methoden innerhalb Ihrer eigenen Grenzen bleiben, steuert die CAx-Tools, die Ihre Ingenieure bereits nutzen, über mehr als 85 Add-Ins und Integrationen an und liefert Ergebnisse in Form von deterministischen, wiederholbaren Arbeitsabläufen mit einem Prüfpfad, hinter dem ein Ingenieur bei der Freigabe stehen kann. Dieser letzte Punkt ist kein nebensächliches Detail. Im regulierten und sicherheitskritischen Ingenieurwesen ist eine Automatisierung, die man nicht reproduzieren oder erklären kann, keine Automatisierung, die man einsetzen kann.
‍

Wie die „Durchführung von Ingenieurarbeiten“ durch Agenten in der Praxis aussieht

Die Lücke zwischen agentenbasierter Orchestrierung, die berät, und agentenbasierter Ausführung realer Arbeit zeigt sich am deutlichsten in den Ergebnissen, die Engineering-Teams erzielen, wenn die KI-Agenten tatsächlich im Live-Betrieb laufen.

Viele Tier-1-Zulieferer der Automobilbranche und 6 der 10 umsatzstärksten OEMs weltweit setzen auf Synera, darunter:

• BMW hat einen 3-wöchigen Design-Zyklus auf 2 Minuten verkürzt.
• IMS Gear hat die Angebotszeit mit Synera um 99 % reduziert.
• Bei SEAT, einer Tochtergesellschaft des Volkswagen-Konzerns, beantworten Ingenieurinnen und Ingenieure die Frage der Fertigbarkeit bereits in der Designphase innerhalb von 30 Minuten.

NASA, Airbus, Safran und Arianespace zählen zu den Luft- und Raumfahrt- sowie Verteidigungsorganisationen, die ihr Engineering auf Synera betreiben:

• Bei Airbus sank die Durchlaufzeit für Ausschreibungen von 50 Stunden auf 7 Minuten.
• Bei der NASA ermöglicht die Design-Exploration, für die früher zwei Ingenieure zwei Tage brauchten, um vier Varianten zu erzeugen, heute einem einzelnen Ingenieur, in einer Stunde mehr als 100 Varianten zu untersuchen.

Ryan McClelland, Research Engineer am NASA Goddard Space Flight Center, erklärt im folgenden Video, wie sie KI-Agenten einsetzen.
‍

‍

Das sind keine Effizienzgewinne durch Chat-Ergebnisse oder von Claude erstellte Markdown-Dateien von Prozessen und geistigem Eigentum erfahrener Ingenieurinnen und Ingenieure. Das passiert, wenn das agentenbasierte System einen validierten Engineering-Workflow durchgängig über CAx-Tools hinweg ausführt, auf einer Infrastruktur, die das Unternehmen kontrolliert, mit Ergebnissen, die das Team reproduzieren kann.

Und es handelt sich dabei nicht um vereinzelte Pilotprojekte: Synera-Agenten kommen in Live-Betrieb zum Einsatz, die Plattform verfügt über mehr als 170.000 Workflow-Automatisierungen, und wir bringen Kunden mit Forward Deployed Engineers zusammen, die sowohl in KI als auch in ihren jeweiligen Fachgebieten geschult sind. Hierbei handelt es sich um agentische KI für den Ingenieurbereich als „Extend“- und Integrationslösung, anstatt sich mit einem Effizienzgewinn durch „Defend“ oder einem teuren „Upend“ zufrieden zu geben.

Wenn Sie erfahren möchten, wie es funktioniert, sehen Sie sich unsere 7-minütige Demo an. Wir melden uns dann bei Ihnen, um einen Termin für ein Beratungsgespräch und eine maßgeschneiderte Einführung in Synera zu vereinbaren.

‍

Führen Sie Ihre eigene Build-, Buy- oder Blend-Analyse durch

Laden Sie den Gartner-Report herunter, bevor er am 9. Oktober 2026 aus der Research-Bibliothek entfernt wird.

Zu welchem Schluss Sie auch kommen: Das Framework ist die Stunde wert. Der Gartner-Report legt die vollständige Build-, Buy- oder Blend-Logik und die Entscheidungsfaktoren im Detail dar und bietet einen neutralen Ausgangspunkt für das Gespräch mit den Stakeholdern in Ihrem Unternehmen.

Report herunterladen

‍

Gartner, How to Decide Whether to Build, Buy or Blend Your AI Projects, von Whit Andrews, Jim Hare, 9. April 2025.

GARTNER ist eine Marke von Gartner, Inc. und/oder ihren Tochtergesellschaften.