Pexon Consulting | 11 Min. Lesezeit | 20.06.2026
TL;DR
NX Teamcenter KI lohnt sich dort, wo Ingenieure Zeit mit Suchen, Stücklisten-Pflege und Freigabe-Routing verlieren — nicht beim Generieren von Geometrie. Pexon Consulting (80 Mitarbeiter, Microsoft Partner) baut diese Use-Cases in 6 Wochen mit dem Teamcenter Copilot und eigener RAG-Schicht. Realistischer Hebel: 15 bis 20 Prozent weniger Nicht-Wertschöpfungszeit pro Konstrukteur.
Das Problem: Ihre Konstrukteure suchen, statt zu konstruieren
Engineering-Zeit ist teuer, und ein großer Teil davon verpufft. Tech-Clarity beziffert es seit Jahren konstant: Ingenieure verbringen rund ein Drittel ihrer Zeit mit Nicht-Wertschöpfung, davon allein 20 Prozent mit dem Arbeiten an veralteten Informationen und etwa 12 Prozent nur mit dem Beschaffen von Information. Capgemini meldet in seinem Report zur Digital Continuity 2025, dass 57 Prozent der Senior-Manager in der Fertigung Wissen nicht zuverlässig teilen und wiederverwenden können.
Das ist kein CAD-Problem. NX modelliert Geometrie hervorragend. Das Problem sitzt im Drumherum: in der Stücklisten-Pflege, in der Variantenflut, in der Frage „Haben wir so ein Teil nicht schon mal konstruiert?“, die niemand in unter zehn Minuten beantworten kann.
Genau hier setzt die KI-Welle 2026 an — und genau hier wird sie auch überverkauft. Wir trennen in diesem Artikel sauber, wo KI im laufenden NX+Teamcenter-Prozess echten Wert liefert und wo Sie Ihr Budget besser sparen.
Was 2026 tatsächlich neu ist (mit Datum)
Die kurze Antwort: 2026 ist das Jahr, in dem Siemens KI von der Demo in den PLM-Alltag gebracht hat. Das Teamcenter-Release 2606 erschien am 12. Juni 2026, parallel zu NX for Manufacturing 2606 (Juni 2026). Beide machen KI zum Leitthema — nicht als Marketing-Schicht, sondern als Agent direkt im Datenmodell.
Die für den CAD-PLM-Workflow relevanten Bausteine:
- Teamcenter Copilot — der konversationelle Einstieg. Sie navigieren und filtern 3D-Produktstrukturen, erzeugen einen Arbeitskontext aus der Stückliste und automatisieren Worksets per Prompt. Seit Release 2512 kann er mehrere BOM-Aktionen in einem Request bündeln und Gewichts- sowie Kosten-Rollups rechnen, ohne dass die Stückliste geöffnet ist.
- Teamcenter BOM Agent (2606) — der Schritt von „Assistent“ zu agentic PLM. Der Agent versteht den BOM-Kontext, schlägt Änderungen vor und führt mehrstufige Workflows mit menschlicher Freigabe aus.
- NX Design Copilot — natürlichsprachiger Zugang zu Siemens-Doku, Best Practices und NX-Funktionen direkt im CAD-Workspace.
- DFM Advisor (Design for Manufacture) — bewertet Fertigbarkeit früh anhand der Geometrie und meldet Probleme bei Bohren, Fräsen, Montage, Guss.
Ein wichtiges Detail für die Architektur-Entscheidung: Mit Release 2512 unterstützt der Teamcenter Copilot drei Deployment-Varianten — on-prem oder Customer-Cloud über Microsoft Azure AI (GPT-4o), AWS Bedrock (Claude 3.7) sowie eine vollständig on-prem-Variante mit Llama 4.0. Die Wissensquelle bleibt dabei immer Ihre PLM-Daten über RAG, nicht das offene Internet. Siemens wurde im Gartner Magic Quadrant for PLM 2026 erneut als Leader geführt.
Wo KI im NX+Teamcenter-Workflow ansetzt — und wo nicht
Unsere klare Position: KI gehört an die repetitiven, datennahen Schnittstellen des Workflows, nicht an die kreative Geometrie-Erzeugung. Generative Geometrie klingt spannend, scheitert aber in der Praxis an der Verantwortung — kein Konstrukteur gibt eine sicherheitsrelevante Baugruppe frei, die eine KI „erfunden“ hat.
Der mit Abstand größte Hebel liegt bei der Wiederverwendung. Wenn ein Konstrukteur ein bestehendes, freigegebenes Teil findet statt ein neues zu zeichnen, sparen Sie nicht zehn Minuten, sondern die komplette Konstruktions-, Prüf- und Freigabekette. Das funktioniert aber nur, wenn die Metadaten stimmen — was sie bei den meisten unserer Kunden im Altbestand nicht tun.
Der unbequeme Vorbehalt: ohne Metadaten kein KI-Nutzen
Wir raten davon ab, mit dem Teamcenter Copilot zu starten, bevor die Datenqualität geprüft ist. Eine RAG-Schicht ist nur so gut wie das, worauf sie zugreift. Ist Ihr Teamcenter voll mit Teilen ohne Klassifikation, mit Freitext-Sachmerkmalen und doppelten Stammdaten, liefert auch der beste Copilot Halluzinationen oder leere Treffer.
Das ist die Stelle, an der die meisten KI-PLM-Projekte scheitern — nicht an der KI, sondern am Fundament. In unseren Projekten machen wir deshalb zuerst einen Daten-Schnitt: Wie viel Prozent der aktiven Teile sind sauber klassifiziert? Wie konsistent sind die Pflichtattribute? Erst danach entscheiden wir über den KI-Rollout.
Die gute Nachricht: Metadaten-Anreicherung lässt sich selbst automatisieren. Ein Modell kann aus Geometrie, Dateinamen und Kontext Klassifikations- und Attributvorschläge machen, die ein Mensch nur noch bestätigt. So füllt sich die Datenbasis im laufenden Betrieb, statt in einem zweijährigen Stammdaten-Projekt zu versanden.
Build vs. Buy: Teamcenter Copilot oder eigene Schicht?
Die ehrliche Antwort: in der Regel beides. Den nativen Teamcenter Copilot kaufen Sie, weil er tief im Datenmodell sitzt und Zugriffsrechte sowie Guardrails erbt. Für alles, was darüber hinausgeht — Cross-System-Suche über Teamcenter plus SAP plus ISO-Normen, branchenspezifische Klassifikation, eigene Auswertungen — bauen Sie eine ergänzende RAG-Schicht.
Wer rein im Teamcenter-Universum bleibt und Standard-BOM-Aufgaben automatisieren will, fährt mit dem nativen Copilot am schnellsten. Sobald aber Engineering-Doku, Normen und CAD-Inhalte aus verschiedenen Quellen zusammenkommen müssen, kommen Sie um eine eigene Retrieval-Schicht nicht herum — das zeigen wir konkret in unserem Beitrag zu multimodaler RAG über ISO-Normen und CAD.
Wie ein Einstieg konkret aussieht
Ein Beispiel ohne Kundennamen aus einem typischen Maschinenbau-Setup: Ein Konstrukteur sucht eine freigegebene Pumpenhalterung für ein neues Aggregat. Statt durch Ordnerstrukturen zu klicken, fragt er die Retrieval-Schicht in natürlicher Sprache ab.
# Semantische Wiederverwendungs-Suche über Teamcenter-Items
# Modell: claude-sonnet-4-6 für das Reasoning, lokales Embedding-Modell für Vektoren
from pexon_plm_rag import TeamcenterRetriever
retriever = TeamcenterRetriever(
source="teamcenter", # System of Record
embed_model="bge-m3-de", # on-prem, IP bleibt im Haus
llm="claude-sonnet-4-6", # via AWS Bedrock, EU-Region
enforce_acl=True, # Zugriffsrechte aus Teamcenter vererben
)
treffer = retriever.find_reusable(
query="freigegebene Pumpenhalterung Edelstahl, Durchmesser 80 mm, Druckbereich 16 bar",
status="released", # nur freigegebene Items
top_k=5,
)
for item in treffer:
print(item.item_id, item.revision, item.score, item.classification)Die Konfiguration entscheidet über Compliance und Akzeptanz. Drei Stellschrauben sind nicht verhandelbar:
# rag_guardrails.yaml — Mindest-Konfiguration für Engineering-RAG
quelle:
system_of_record: teamcenter # KI schreibt nie ohne Freigabe zurück
zugriff:
enforce_acl: true # keine Treffer außerhalb der Berechtigung
status_filter: released # keine Work-in-Progress-Stände als "Wahrheit"
nachweis:
cite_sources: true # jede Antwort mit Item-ID + Revision
no_hallucination_fallback: "Kein freigegebenes Teil gefunden."Der no_hallucination_fallback ist der wichtigste Punkt. Eine KI, die im Zweifel „kein Teil gefunden“ sagt, ist im Engineering wertvoller als eine, die plausibel klingende, aber falsche Item-IDs erfindet.
Kosten und Zeitrahmen
Ein realistischer Einstieg ist kein Großprojekt. Wir starten mit einem 6-Wochen-Piloten auf einem klar abgegrenzten Use-Case — meist Wiederverwendungs-Suche oder Metadaten-Anreicherung —, weil sich der Nutzen dort am schnellsten messen lässt. Das Lizenzthema für den nativen Teamcenter Copilot läuft parallel über Ihren Siemens-Vertrag.
Den Erfolg messen wir hart: Suchzeit pro Bauteil vorher/nachher, Wiederverwendungs-Quote, Anteil sauber klassifizierter aktiver Teile. Wenn die Suchzeit nicht messbar fällt, war der Use-Case falsch gewählt — dann drehen wir, statt das Projekt schönzurechnen. Den ROI sehen wir erfahrungsgemäß zuerst bei der Wiederverwendung, weil dort die teuerste Kette eingespart wird, nicht nur Minuten.
Die Datenplattform-Seite des Themas — wie Engineering-, ERP- und Sensordaten zusammenfließen — gehört in eine AI-ready Datenplattform. Den Workflow-Gedanken über die reine Konstruktion hinaus haben wir an anderer Stelle ausführlicher beschrieben (siehe Verwandte Themen unten).
Häufig gestellte Fragen
Was kostet die Einführung von KI im NX+Teamcenter-Workflow?
Der Einstieg über einen 6-Wochen-Piloten auf einem Use-Case liegt typischerweise im Bereich eines klar abgegrenzten Projektbudgets, nicht eines Großprojekts. Hinzu kommen Siemens-Lizenzkosten für den nativen Teamcenter Copilot, die über Ihren bestehenden Teamcenter-Vertrag laufen. Den größten Kostenfaktor sehen wir nicht in der KI, sondern in der vorgelagerten Datenbereinigung — die lässt sich aber automatisieren statt manuell stemmen.
Teamcenter Copilot oder eigene RAG-Schicht — was ist besser?
Kommt auf die Datenquellen an. Wenn Sie rein im Teamcenter bleiben und Standard-Stücklisten-Aufgaben automatisieren, ist der native Copilot schneller produktiv und erbt Zugriffsrechte automatisch. Sobald Sie über Systeme hinweg suchen müssen — Teamcenter plus SAP plus Normen plus CAD —, brauchen Sie eine eigene Retrieval-Schicht. In der Praxis kombinieren die meisten unserer Kunden beides.
Bleiben unsere Konstruktionsdaten bei KI im PLM sicher?
Ja, wenn die Architektur stimmt. Der Teamcenter Copilot unterstützt seit Release 2512 on-prem- und Customer-Cloud-Deployments, inklusive einer vollständig on-prem-Variante mit Llama 4.0. Bei eigener RAG-Schicht hosten wir Embeddings lokal und nutzen LLMs in EU-Regionen oder on-prem. Entscheidend ist, dass die KI auf Ihre Daten zugreift, nicht umgekehrt — Ihre IP verlässt das kontrollierte Umfeld nicht.
Kann KI in NX automatisch Geometrie oder ganze Bauteile erzeugen?
Technisch in Ansätzen, praktisch raten wir davon ab. Generative Geometrie ist nicht ausgereift genug für sicherheits- oder funktionsrelevante Teile, und die Haftung bleibt beim Menschen. KI liefert im Konstruktionsalltag den größten Wert bei Wiederverwendung, Stücklisten und Metadaten — nicht beim Ersetzen des Konstrukteurs.
Brauchen wir erst saubere Stammdaten, bevor KI im Teamcenter funktioniert?
Im Kern ja, aber nicht als zweijähriges Vorprojekt. Eine RAG-Schicht ist nur so gut wie die Metadaten darunter. Wir prüfen deshalb zuerst die Datenqualität und reichern Klassifikation und Attribute KI-gestützt im laufenden Betrieb an, sodass sich die Datenbasis parallel zum Rollout verbessert, statt ihn zu blockieren.
Nächster Schritt
Sie wollen wissen, welcher KI-Use-Case in Ihrem NX+Teamcenter-Betrieb den schnellsten Hebel hat? Wir priorisieren ihn mit Ihnen entlang Ihrer echten Datenlage — kein Powerpoint, sondern ein konkreter Fahrplan.
Offizielle Produktdetails zu den genannten Funktionen finden Sie in der Teamcenter-AI-Dokumentation von Siemens.
Verwandte Themen
