Von CAD zur Leiterplatte: Wo KI bereits beim Entwurf physischer Geräte hilft

Kann man einer KI nicht nur eine einzelne Zeichnung, sondern ein ganzes Gerät anvertrauen – vom Gehäuse und der Leiterplatte bis zur Firmware? Am 3. November 2026 beschrieb OpenAI ein Experiment, bei dem das Modell Astra gemeinsam mit GPT‑6 dabei half, ein Gerät für die Kommunikation mit Codex zu entwerfen. Die wichtigste Erkenntnis für Ingenieure: Der Nutzen der KI liegt hier darin, mehrere Entwurfsphasen miteinander zu verbinden und Iterationen zu beschleunigen. Der Weg vom digitalen Modell zur fertigungsgerechten Konstruktion erfordert jedoch weiterhin die Prüfung konstruktiver und fertigungstechnischer Details.

Bei dem beschriebenen Projekt begann das System mit funktionalen Anforderungen. Anschließend entwarf Astra das äußere Erscheinungsbild, das Gehäuse und die inneren Bauteile, wählte elektronische Komponenten aus, entwickelte eine Leiterplatte mit deren Anordnung und Verbindungen und erstellte die Benutzeroberfläche, Firmware und Softwareintegrationen. Das ist ein zusammenhängender Arbeitsablauf: Eine Änderung der Gehäuseabmessungen kann die Platzierung der Platine beeinflussen, während Komponenten und ihre Verbindungen die Konstruktionsmöglichkeiten einschränken.

Was sich an der Arbeit des Modells verändert hat

Ein gewöhnlicher Bildgenerator beantwortet die Frage: „Wie könnte das aussehen?“ Das von OpenAI beschriebene Szenario zielt auf eine engere Verknüpfung verschiedener Darstellungen ab: Anforderungen, mechanische Geometrie, Schaltplan und Software werden als Teile derselben Aufgabe betrachtet. Für Ingenieure ist vor allem der Übergang zwischen ihnen entscheidend – etwa, ob die Platine physisch in das Gehäuse passt und die gewählten Komponenten zur vorgesehenen Funktion des Geräts passen.

OpenAI zufolge entwickelten zwei Mitarbeiter als Nebenprojekt in weniger als einer Woche ein Testgerät; ein Auftragsfertiger stellte innerhalb von weniger als einem Monat eine kleine Prototypenserie her. Diese Zeitangaben beziehen sich auf ein konkretes internes Experiment und den beschriebenen Prototyp. Sie zeigen, dass sich der Weg von der Idee zum physischen Muster schnell durchlaufen lässt, sind aber für sich genommen keine allgemeingültige Aussage zur Entwurfsgeschwindigkeit bei anderen Geräten und Teams.

Das Beispiel ist deshalb interessant, weil die KI nicht nur an der Erstellung eines einzelnen Artefakts beteiligt war. Wenn ein Modell dabei hilft, Gehäuse, Platine und Software aufeinander abzustimmen, können Ingenieure Abhängigkeiten früher erkennen, die sich sonst oft erst bei der Übergabe zwischen verschiedenen Werkzeugen und Fachleuten zeigen. Diese Vernetzung ist besonders für kleine Teams wichtig, in denen eine Person mehrere Disziplinen koordiniert.

Warum ein digitaler Entwurf noch nicht fertigungsreif ist

Ein Modell kann eine Konstruktion vorschlagen, die auf dem Bildschirm stimmig wirkt, aber reale Fertigungsanforderungen außer Acht lässt. In diesem Experiment wies OpenAI ausdrücklich darauf hin, dass Astra die Vorgaben des Herstellers, Toleranzen und für die Montage notwendige Details nicht durchgängig berücksichtigte. Deshalb waren mehrere Prüf- und Überarbeitungsrunden nötig, um das Gerät für die Fertigung vorzubereiten.

Der Grund für diese Lücke ist praktischer Natur. Die digitale Konstruktion legt Form und relative Anordnung der Teile fest; bei der Fertigung kommen konkrete Bedingungen hinzu – zulässige Maßabweichungen, Bearbeitungsverfahren und Montageanforderungen. Bleibt etwa zu wenig Platz im Gehäuse oder berücksichtigt die Konstruktion nicht, wie ein Teil eingesetzt wird, kann die Datei technisch vollständig sein, während sich das Produkt im vorgesehenen Verfahren nur schwer oder gar nicht fertigen lässt.

Daraus ergibt sich eine klare Aufgabenteilung: Das Modell hilft dabei, Varianten zu erstellen und abzustimmen; Fachleute prüfen sie auf ihre Vereinbarkeit mit Anlagen, Materialien und Fertigungstechnologie. Für ein Team bedeutet das, das Ergebnis nicht nach der Attraktivität des 3D-Modells zu bewerten, sondern danach, wie viele wesentliche technische Prüfungen und Korrekturen vor der Herstellung eines funktionsfähigen Musters noch erforderlich sind.

Wo sich konkrete Anwendungen bereits abzeichnen

Die internen Hardwareteams von OpenAI nutzen Codex und ChatGPT, um CAD-Modelle zu erstellen und zu verändern, Fertigungszeichnungen vorzubereiten, Simulationen einzurichten und Konstruktionen zu analysieren. Das Unternehmen berichtet, dass die tokenbasierte Nutzung von Modellen in den Hardwareteams seit Februar um das 23-Fache gestiegen ist. Diese Kennzahl misst den Modellverbrauch innerhalb dieser Teams, nicht die Verkürzung von Entwurfszeiten oder die Senkung von Kosten.

In einer Zusammenarbeit mit Chip Ganassi Racing untersucht das Team, wie sich 3D-Scans bestehender Teile in bearbeitbare CAD-Modelle und Fertigungszeichnungen überführen lassen. Dieser Anwendungsfall ist wertvoll, wenn die ursprünglichen Konstruktionsdateien fehlen: Der Scan dient als Ausgangsmaterial zur Rekonstruktion der Geometrie, während die Ingenieure des Partners die Genauigkeit und Fertigungstauglichkeit der Zeichnungen prüfen.

In der gemeinsamen Arbeit mit Mazda werden Modelle für den Fahrzeugentwurf eingesetzt: Das Team untersucht die Form der Fahrzeugfront, modelliert die Luftströmung und vergleicht Varianten anhand von Leistung, Design und Kosten. OpenAI beschreibt dies als Forschungskooperation, über deren Ergebnisse das Unternehmen später berichten will. Der Zweck dieses Ansatzes ist, mehr Formvarianten zu untersuchen und aerodynamische Simulationen schneller mit Konstruktionsentscheidungen zu verknüpfen; die bisher veröffentlichten Materialien enthalten noch keine Messwerte zu Verbesserungen am fertigen Fahrzeug.

Wie Teams solche Systeme bewerten können

OpenAI führt BenchCAD 2.0 als eine der Prüfungen an, mit denen Modelle bei Aufgaben getestet werden, die Programmierung und Ingenieurwissen verbinden. Der Test bewertet die Rekonstruktion von 3D-Teilen und Baugruppen sowie das Erkennen von Verbindungen auf Leiterplatten. In dieser Bewertung erzielte ein neues internes Modell durchschnittlich 0,875, während GPT‑6 Astra im Modus mit maximaler Schlussfolgerungsleistung 0,594 erreichte.

Für eine praktische Auswahl ist dieses Ergebnis ein nützlicher Hinweis auf Fortschritte bei einer bestimmten Aufgabenklasse: dem Erstellen von Geometrie und dem Erkennen von Verbindungen. Es misst nicht den gesamten Entwicklungszyklus, zu dem Materialauswahl, thermische und mechanische Prüfungen, Zertifizierung und der Nachweis der Fertigbarkeit gehören. Teams sollten das Modell daher anhand eigener typischer Aufgaben testen und festhalten, welche Ausgabedateien von den technischen Werkzeugen tatsächlich akzeptiert werden und welche noch manuell überarbeitet werden müssen.

Ein praktischer Pilotversuch kann sich auf eine wiederkehrende Phase konzentrieren – etwa die Umwandlung von Bauteilscans in CAD, die Erstellung von Zeichnungen oder die erste Konfiguration einer Simulation. Für jede Aufgabe sollten vorab Abnahmekriterien festgelegt, eine für Geometrie und Randbedingungen zuständige Ingenieurin oder ein Ingenieur benannt und die nötigen Korrekturen vor der Übergabe an den Hersteller dokumentiert werden. So erkennt das Team, wo das Modell Routinearbeit abnimmt und wo seine Vorschläge zusätzliche Prüfschleifen verursachen.

Entscheidend ist die Grenze zwischen Entwurf und Prüfung

Das Projekt von OpenAI zeigt, dass sich KI auf miteinander verbundene Phasen des physischen Entwurfs anwenden lässt – nicht nur auf Text, Code oder einzelne Bilder. Ein Nutzen entsteht, wenn das System dabei hilft, Anforderungen und Varianten zwischen Mechanik, Elektronik und Software zügig aufeinander abzustimmen. Die Fertigungstauglichkeit bleibt jedoch eine eigenständige technische Aufgabe, die von Toleranzen, Montage und den Möglichkeiten des konkreten Verfahrens abhängt.

Für Entwickler von Hardwareprodukten ergibt sich daraus eine klare Orientierung: Die Bewertung sollte mit einer begrenzten, überprüfbaren Phase beginnen. Gemessen werden sollte nicht die Zahl der erzeugten Modelle, sondern der Umfang manueller Korrekturen bis zur technischen Abnahme. So lässt sich die Geschwindigkeit bei der Erstellung von Varianten nutzen, während die Kontrolle dort erhalten bleibt, wo aus einem digitalen Entwurf ein physisches Produkt wird.