Ein Ingenieurteam steckt seit Wochen an demselben Problem. Jemand schlägt vor, ChatGPT zu fragen. Zwanzig Ideen später ist die Stimmung kurz besser, aber beim näheren Hinsehen löst keine davon das eigentliche Problem. Alle klingen plausibel. Keine trifft den Kern.

Das ist kein Einzelfall. Es ist die häufigste Erfahrung, die Teams machen, wenn sie generative KI ohne methodischen Rahmen in den Innovationsprozess einführen.

Dieser Artikel erklärt, was KI im Innovationsprozess wirklich leisten kann, wo sie ohne Struktur versagt, und warum die Kombination aus KI-Tempo und methodischer Problemlogik der eigentliche Hebel ist.

Was meinen wir eigentlich mit KI in der Produktentwicklung?

Zunächst eine Begriffsklärung, weil hier viel durcheinandergeht.

Generative KI wie ChatGPT oder Microsoft Copilot erzeugt Text, Ideen und Zusammenfassungen auf Basis von Prompts. Analytische KI-Tools werten strukturierte Daten aus, erkennen Muster in Produktionsprozessen oder optimieren Parameter in Simulationen. Beides fällt unter den Begriff KI, funktioniert aber grundlegend anders.

Dieser Artikel befasst sich mit generativer KI im Innovationsprozess. Nicht mit KI-gestützter Automatisierung in der Fertigung, sondern mit KI als Tool für Ideengenerierung, Patentrecherche, Technologie-Screening und die Exploration von Lösungsräumen. Das ist ein anderes Einsatzfeld, das andere Anforderungen an den Nutzer stellt.

Das Problem: Überzeugend klingender Durchschnitt

Ohne methodische Struktur produziert generative KI vor allem eines: überzeugend klingenden Durchschnitt.

Der Grund liegt in der Funktionsweise von Large Language Models. Systeme wie ChatGPT optimieren auf sprachliche Wahrscheinlichkeit. Sie generieren Antworten, die in ähnlichen Kontexten häufig vorkommen und daher plausibel klingen. Das ist keine technische Schwäche, aber es bedeutet: Wer einen vagen Prompt eingibt, bekommt eine statistisch wahrscheinliche Antwort zurück, keine originelle technische Lösung.

Konkret: Der Prompt „Wie können wir unser Gehäuse leichter machen?" liefert Antworten wie „Leichtbaumaterialien verwenden", „Wandstärken reduzieren" oder „Topologieoptimierung prüfen". Alles bekannt. Nichts davon adressiert den eigentlichen Konflikt, der das Team blockiert.

Das ist kein Fehler der KI. Es ist ein Methodenproblem auf Nutzerseite.

Warum bessere Prompts allein nicht reichen

Der naheliegende Ratschlag lautet: bessere Prompts schreiben. Das hilft, aber es löst das eigentliche Problem nicht.

Der eigentliche Engpass ist nicht die Formulierung des Prompts, sondern die Qualität der Problemdefinition dahinter. Wer das Problem selbst noch nicht klar strukturiert hat, kann es der KI nicht klar übergeben.

In der technischen Produktentwicklung zeigt sich das besonders bei Zielkonflikten. Wenn ein Bauteil gleichzeitig leichter und stabiler werden soll, blockieren sich zwei Anforderungen gegenseitig. Wer diesen Widerspruch nicht explizit macht, optimiert unweigerlich einen Kompromiss, anstatt den Konflikt aufzulösen. Die KI tut dann dasselbe: Sie schlägt Mittelwege vor, weil der Prompt keinen anderen Rahmen gesetzt hat.

Die Lösung liegt nicht in besseren Prompts, sondern in besserer Problemlogik.

TRIZ trifft KI: Wenn Methode auf Tempo trifft

Hier kommt TRIZ ins Spiel. TRIZ ist ein systematisches Inventionsframework, das in den 1950er Jahren vom sowjetischen Ingenieur Genrich Altshuller entwickelt wurde. Es basiert auf der Analyse von Hunderttausenden Patenten und destilliert daraus allgemeine Prinzipien zur Auflösung technischer Widersprüche. Wer mehr über die methodischen Grundlagen erfahren möchte, findet einen strukturierten Einstieg in unserem Überblick zu TRIZ als Methode.

Der Kern: TRIZ sucht keine Kompromisse. Es sucht Lösungen, die beide Anforderungen gleichzeitig erfüllen, indem es den Widerspruch als Ausgangspunkt nimmt, nicht als Hindernis.

Die eigentliche Stärke entsteht, wenn man KI mit TRIZ-Prinzipien kombiniert. TRIZ gibt der KI echte Problemlogik statt vager Prompts. Das Ergebnis ist kein Brainstorming-Rauschen mehr, sondern gerichtete Ideengenerierung.

Ein konkretes Beispiel macht den Unterschied deutlich. Statt „Wie machen wir das Gehäuse leichter?" lautet der strukturierte Prompt: „Das Gehäuse muss leichter werden, darf dabei aber nicht an Steifigkeit verlieren. Welche Konstruktionsprinzipien lösen diesen Widerspruch, ohne auf einen Mittelweg auszuweichen?" Der Unterschied in der Antwortqualität ist erheblich.

Ein erster Einstiegspfad für Ingenieure

Man muss kein TRIZ-Experte sein, um strukturierter zu prompten. Vier Schritte reichen für den Anfang, und sie lassen sich sofort anwenden.

Zuerst das Problem klar beschreiben: Was soll besser werden, und was darf sich dabei nicht verschlechtern? Dann den Widerspruch explizit benennen, also zwei konkurrierende Anforderungen in einem Satz formulieren. Danach die KI mit diesem strukturierten Kontext prompten, nicht mit offenen Fragen, sondern mit dem Widerspruch direkt im Prompt. Und schließlich die Ergebnisse nicht danach bewerten, ob sie gut klingen, sondern ob sie den Widerspruch tatsächlich auflösen. Das ist der entscheidende Filterschritt.

Dieser Ansatz ist kein vollständiger TRIZ-Kurs. Aber er verschiebt die KI vom Ideengenerator zum strukturierten Denkpartner. Wer erleben möchte, wie das in einem moderierten Format funktioniert, findet in unserem Artikel zu strukturierter Innovationsarbeit in Workshops einen konkreten Eindruck davon, was der Unterschied zwischen Ideensammlung und Entscheidungsvorbereitung in der Praxis bedeutet.

Was KI wirklich verändert, und was nicht

KI verändert die Geschwindigkeit der Recherche, die Breite des Lösungsraums und die Effizienz bei Patent- und Literaturanalyse. Wer früher zwei Tage für ein erstes Technologie-Screening benötigte, kommt heute in Stunden zu einem brauchbaren Überblick.

Was KI nicht verändert: die Notwendigkeit, das richtige Problem zu definieren. Die Qualität der Entscheidung über Lösungsrichtungen bleibt Aufgabe des Teams. Die Verantwortung für technische Machbarkeit und strategische Relevanz liegt weiterhin beim Menschen.

Tempo durch Technologie, Substanz durch Methode.

Das ist keine Einschränkung von KI, sondern eine realistische Einordnung. Teams, die das verstehen, nutzen KI produktiver als Teams, die auf das Tool allein vertrauen.

Fazit: Tool und Methode gehören zusammen

KI in der Produktentwicklung ist kein Selbstläufer. Ohne methodischen Rahmen bleibt sie ein schneller Ideengenerator für durchschnittliche Antworten.

Mit strukturierter Problemlogik, wie TRIZ sie liefert, wird daraus ein echtes Tool für technische Innovation. Man muss nicht tief in die Methode einsteigen, um den Unterschied zu spüren. Ein Grundverständnis für Widersprüche und klare Problemformulierung reicht für den Anfang.

Wer diesen Ansatz in der eigenen Produktentwicklung erproben möchte, kann mit einem kurzen Workshop oder einem strukturierten Sparring-Gespräch beginnen. Der Einstieg ist einfacher als erwartet.

Quellen

  • Altshuller, G. (1996). And Suddenly the Inventor Appeared: TRIZ, the Creative Problem Solving. Technical Innovation Center.
  • OpenAI (2023). GPT-4 Technical Report. openai.com/research/gpt-4
  • Darrell Mann (2002). Hands-On Systematic Innovation. CREAX Press.
  • Valeri Souchkov, ICG Training & Consulting: Veröffentlichungen zu TRIZ und KI-Integration, xtriz.com