Basierend auf der gesteigerten Verfügbarkeit leistungsstarker KI-Modelle steigt der Bedarf der systematischen Dokumentation von KI-Anwendungsfällen in interdisziplinären KI-Entwicklungsprojekten. Ziel ist die Steigerung von Transparenz und Nachvollziehbarkeit, welche in der Produktentwicklung eine Grundanforderung an den KI-Einsatz bildet. Der Beitrag untersucht, welche Inhalte für die Dokumentation von KI-Anwendungsfällen relevant sind und wie diese methodisch erfasst werden können. Auf Basis einer umfassenden Literaturrecherche werden bestehende Dokumentationsansätze analysiert und Anforderungen an eine praxisnahe Methode definiert. Auf Basis der Ergebnisse wird die KI-Anwendungsfall-Karte vorgestellt, welche durch Leitfragen, modulare Strukturen und Layouts die Zusammenarbeit zwischen Domänen- und KI-Experten entlang des gesamten Lebenszyklus eines KI-Systems unterstützt. Ein praktisches Anwendungsbeispiel illustriert die methodische Umsetzung, zeigt ihre prinzipielle Anwendbarkeit auf und identifiziert Potenziale und Limitationen. Folgende Arbeiten umfassen die weitere Validierung im industriellen Kontext, um ihre Anwendbarkeit und Akzeptanz zu bewerten.

Computergestütztes Design (CAD) ist in unserem Industriezeitalter für die Entwicklung von Hardwareprodukten unerlässlich geworden. Die zunehmende Komplexität, kürzere Vorlaufzeiten und der Kostendruck stellen jedoch neue Herausforderungen dar. Während die generative KI große Aufmerksamkeit erregt und verschiedene Unternehmensfunktionen transformiert hat, ist ihre Anwendung im technischen Design mit CAD noch unterentwickelt. Unsere Forschung zielt darauf ab, zu untersuchen, warum generative KI trotz ihrer Bedeutung in anderen Bereichen ihr Potenzial im CAD-Bereich noch nicht ausgeschöpft hat, indem wir anhand von Fallstudien und einer Literaturübersicht die wichtigsten Herausforderungen identifizieren. Ergebnisse zeigen grundlegende Herausforderungen auf: kleine Datensätze, Schwierigkeiten bei der Darstellung gemischter Datentypen, proprietäre Dateiformate und ein Mangel an fortschrittlichen CAD-Modellierungsbefehlen. Zur Überwindung dieser Beschränkungen werden wichtige, künftige Entwicklungen skizziert, darunter hochwertige Datensätze, ein herstellerneutrales Format, neuartige neuronale Netzwerkarchitekturen und erweiterte generative Methoden.

Incorporating artificial intelligence (AI) into Product Engineering Processes (PEP) is a growing trend driven by increasing product complexity, shorter lifecycles, and the demand for faster inno-vation (Brossard et al. 2020). AI offers promising potential to enhance various PEPs by automating repetitive tasks and supporting data management and analytics thereby reducing costs and time. However, challenges such as a lack of standardized models, use cases, and understanding of AI's implications hinder its wide adoption.

This paper proposes a model-based approach to understand and access implications for incorpo-rating AI into PEPs. Key aspects include identifying stakeholder needs, relevant PEP, potential AI use cases, benefits, and implementation requirements. To demonstrate the application of the framework, we use the system life cycle processes defined in ISO 15288 as illustrative PEPs. This offers organizations a structured guideline to pinpoint processes that can benefit from AI, assess expected advantages, and evaluate technical complexity and costs, enabling a strategic approach to AI integration and informed decision-making.