KI im Engineering-Alltag: wo sie hilft und wo ich vorsichtig bleibe
Wie ich KI-Coding-Agenten, generative KI und Machine Learning in der Automotive-Toolentwicklung einsetze und welche Regeln ich für Tests und Datenschutz befolge.
KI gehört heute fest zu meiner Softwareentwicklung. Ich nutze täglich Coding-Agenten, habe Tools mit generativer KI und Machine Learning für Engineering-Teams gebaut und bin nach ISTQB für KI-Tests und Testen mit generativer KI zertifiziert. Dieser Artikel fasst zusammen, was sich bewährt hat und wo ich bewusst vorsichtig bleibe.
1. Coding-Agenten als tägliches Werkzeug
Ich arbeite mit Claude Code, GitHub Copilot und Gemini CLI. Am nützlichsten sind sie für:
- das Grundgerüst neuer Module und Tests aus einer klaren Beschreibung,
- Refactoring und das Erklären von unbekanntem Legacy-Code,
- Dokumentation, die mit dem Code synchron bleibt.
Meine Regel: Der Agent schlägt vor, ich entscheide. Jede Änderung wird geprüft und getestet wie der Pull Request eines Kollegen. Wiederkehrende Abläufe verpacke ich als wiederverwendbare Claude Skills, damit sie jedes Mal gleich laufen.
2. Generative KI für Architekturprüfungen
In der AI4ALL-Pipeline bei Valeo habe ich ein Tool gebaut, das Systemarchitektur-Elemente aus Polarion über dessen REST API vergleicht und mit der Gemini API Inkonsistenzen markiert und Testfälle erzeugt. Eine Gradio-Oberfläche macht es für Ingenieure nutzbar, die den Code nie anfassen. Der Nutzen ist früheres Feedback: Inkonsistenzen fallen im Design auf statt erst im Integrationstest.
3. Klassisches Machine Learning, wo es passt
Nicht jedes Problem braucht ein großes Sprachmodell. Für die Prognose des verbleibenden Engineering-Aufwands war ein Gradient-Boosting-Regressor (scikit-learn) auf historischen CRETA-Exporten mit einem Streamlit-Dashboard die einfachere und besser erklärbare Wahl. Saubere Datenpipelines und klare Schnittstellen zählten mehr als das Modell selbst.
4. Systeme testen, die nicht deterministisch sind
Eine KI-Komponente kann auf dieselbe Eingabe unterschiedlich antworten; klassische Tests nach dem Muster „erwartete gleich tatsächliche Ausgabe" reichen daher nicht. Was ich im Sinne von ISTQB CT-AI und CT-GenAI anwende:
- feste Evaluationsdatensätze, die den realen Einsatz abbilden und nach jeder Änderung erneut laufen,
- Prüfung von Eigenschaften (korrekte Fakten, erlaubtes Format, keine erfundenen Werte) statt exakter Formulierungen,
- ein Mensch in der Entscheidungsschleife, wo eine falsche Antwort echte Folgen hat.
5. Datenschutz zuerst
Engineering-Daten aus der Automobilentwicklung sind vertraulich. Firmendaten gehen nur an freigegebene Unternehmenslösungen, etwa Gemini über das Google-Cloud-Projekt des Unternehmens, nie an private Konten. Der Assistent auf dieser Website folgt derselben Idee: Er antwortet nur aus den öffentlichen Inhalten dieser Seite.
Was ich gelernt habe
- KI beschleunigt die Arbeit rund um den Code (Boilerplate, Tests, Dokumentation) zuverlässiger als die schwierigen Designentscheidungen.
- Das einfachste funktionierende Modell wählen. Oft ist das kein LLM.
- Verhalten testen, nicht Formulierungen. So bleiben KI-Funktionen testbar und wartbar.