Ein Entwicklungsingenieur fragt eine KI: Welche Tests der vergangenen zwei Jahre zeigen ähnliche Auffälligkeiten wie die aktuelle Messung?
Die Daten sind vorhanden. Messdateien liegen auf Fileservern, Prüfaufträge in Datenbanken, Fahrzeug- und Bauteilinformationen in weiteren Systemen. Testergebnisse stehen in Reports, Beanstandungen im Issue-Tracking.
Trotzdem liefert die KI keine verlässliche Antwort.
Das Problem ist nicht zwangsläufig das Modell. Es fehlen die Verbindungen zwischen den Daten.
Damit stellt sich eine zentrale Frage: Versteht die KI überhaupt, was die vorhandenen Daten bedeuten?
Ein Messwert erklärt seinen Kontext nicht selbst
Nehmen wir eine Temperatur von 118 Grad Celsius.
Allein sagt dieser Wert wenig aus. Stammt er von einem Verbrennungsmotor, einem Elektromotor oder einem Prüfstand? Unter welcher Last wurde gemessen? Welche Softwareversion war installiert? Welcher Sensor kam zum Einsatz?
Erfahrene Testingenieure können solche Zusammenhänge oft selbst herstellen. Sie kennen Namenskonventionen, Verzeichnisstrukturen und frühere Versuche.
Einer KI fehlt dieses Erfahrungswissen.
Damit Maschinen Messdaten richtig interpretieren können, benötigen sie Metadaten. Entscheidend sind jedoch die Beziehungen zwischen diesen Informationen.
Ein Messdatensatz sollte zeigen, welcher Testauftrag dahinter steht, welchesTestobjekt verwendet wurde, welche Konfiguration vorlag und unter welchen Bedingungen der Versuch stattfand.
Erst dadurch erhält die Datei ihren fachlichen Kontext.
Die FAIR-Prinzipien fordern seit Jahren genau das: Daten sollen durch Metadaten, Herkunftsinformationen und Verknüpfungen langfristig wiederverwendbar und maschinenlesbar sein.
Viele Daten ergeben noch keine gute Datengrundlage
In der Fahrzeugentwicklung entstehen enorme Datenmengen.
Prüfstände liefern Messreihen, Versuchsfahrzeuge zeichnen Sensorwerte auf und Simulationenerzeugen Ergebnisse. Hinzu kommen Kalibrierungen, Diagnosen, Berichte und Beanstandungen.
Schwierig ist weniger die Datenmenge als ihre Verteilung.
Informationen stecken in unterschiedlichen Anwendungen, auf Netzlaufwerken oder im Wissen einzelner Mitarbeiter. Manche Beziehungen lassen sich nur über Dateinamen oder IDs herstellen.
Für KI ist das besonders problematisch.
Sprachmodelle können Dokumente durchsuchen und zusammenfassen. Machine-Learning-Modelle erkennen Muster. Beide benötigen jedoch Daten, deren Bedeutung und Herkunft nachvollziehbar sind.
Ohne diesen Kontext vergleicht eine KI möglicherweise technisch unterschiedliche Messungen oder vermischt Ergebnisse verschiedener Entwicklungsstände.
Mehr Daten helfen dann nicht automatisch. Sie können das Problem sogar verdecken.
Beziehungen machen Testdaten zu nutzbarem Wissen
Im Automotive Testing hängt jedes Ergebnis mit zahlreichen Informationen zusammen.
EinTestauftrag gehört zu einer Anforderung. Der Versuch wird an einem Fahrzeug oder Bauteil mit definiertem Entwicklungsstand durchgeführt. Eine Testspezifikation beschreibt den Ablauf. Sensoren liefern Rohdaten, aus denen Auswertungen und Bewertungen entstehen. Auffälligkeiten können Beanstandungen auslösen.
Diese Informationen liegen häufig in verschiedenen Systemen.
Industrielle KI muss deshalb mehr können, als Messdateien zu öffnen. Sie muss deren technischen Zusammenhang erschließen.
Hier setzt auch ASAM ODS an. Der Standard ermöglicht strukturiertes Test- und Messdatenmanagement und verbindet Messwerte mit beschreibenden Informationen.
In einem Whitepaper von 2026 betont ASAM, dass eine systematische Daten- und Metadatenbasis die Qualität, Nachvollziehbarkeit und Erklärbarkeit von KI-relevanten Daten verbessert.
Unternehmen sollten daher nicht zuerst das KI-Modell auswählen, sondern klären, welche Zusammenhänge es verstehen muss.
Die Herkunft eines Ergebnisses zählt
Für technische Entscheidungen reicht eine plausible KI-Antwort selten aus.
Meldet ein System, dass bestimmte Auffälligkeiten bereits früher aufgetreten sind, möchte der Ingenieur wissen, bei welchen Versuchen das geschah.
Relevant sind dann Fahrzeugstände, Prüfbedingungen und die zugrunde liegenden Messdaten.
Provenienzwird damit zum wichtigen Bestandteil industrieller KI.
Auch das NationalInstitute of Standards and Technology betont, dass Informations-Governance im Smart Manufacturing eine konsistente, wiederholbare und vertrauenswürdige Datennutzung ermöglicht.
Einehilfreiche KI sollte Ingenieure deshalb direkt zu den Original informationenführen.
Statt lediglich ähnliche Auffälligkeiten zu melden, könnte sie fünf vergleichbare Versuche identifizieren, drei davon mit identischem Softwarestand, und die zugehörigen Messdateien und Beanstandungen verlinken.
So entstehen nachvollziehbare Entscheidungsgrundlagen.
KI-fähige Testdaten entstehen vor dem KI-Einsatz
Hier kommen moderne Testmanagement-Plattformen ins Spiel.
Cluu Assisted Testing führt Informationen unterschiedlicher Systeme in einem gemeinsamen fachlichen Kontext zusammen. Prüfaufträge, Testobjekte, Spezifikationen, Messdaten, Ergebnisse und Beanstandungen lassen sich verknüpfen, ohne bestehende Anwendungen vollständig ersetzen zu müssen.
Grundlage dafür ist ein virtueller Graph. Beziehungen werden Bestandteil desDatenmodells, statt Informationen isoliert zu speichern.
Messdaten können beim Einlesen durch Informationen aus Planung, Fahrzeug- oder Asset-Daten ergänzt werden. Parser übernehmen Inhalte aus verschiedenen Quellen. Änderungen bleiben nachvollziehbar, Schnittstellen ermöglichen den programmatischen Zugriff.
Darauf können unterschiedliche KI-Anwendungen aufbauen: intelligente Testsuche, Zusammenführung früherer Auffälligkeiten, technische Frage-Antwort-Systeme oder Modelle zur Mustererkennung und Prognose.
Entscheidend bleibt eine zuverlässige Verbindung zwischen Messdaten und technischem Kontext.
AI-ready beginnt mit Test-Data-ready
Der KI-Boom lenkt den Blick auf Chatbots, Copilots und Agenten. In der Industrie entscheidet jedoch oft die unsichtbare Datenbasis über ihren Nutzen.
Daten müssen auffindbar, Begriffe eindeutig und Entwicklungsstände unterscheidbar sein. Ergebnisse brauchen eine nachvollziehbare Herkunft, Messwerte ihren Testkontext.
Unternehmen, die ihre Testdaten heute strukturieren und verknüpfen, verbessern deshalb nicht nur das Datenmanagement. Sie schaffen die Grundlage, damit zukünftige KI-Systeme auf das technische Wissen der Entwicklung zugreifen können.
Denn selbst leistungsfähige KI erkennt nur Muster in Daten, deren Bedeutung sie erschließen kann.
Der wichtigste Rohstoff industrieller KI sind deshalb Daten mit Kontext.
