In der Forschungsabteilung von Chip Ganassi Racing liegt ein Bauteil auf dem Tisch, für das es keine Konstruktionsdatei mehr gibt. Ein Ingenieur tastet es dreidimensional ab. Aus den Messpunkten entsteht ein bearbeitbares CAD-Modell mit einer zweidimensionalen Fertigungszeichnung. Was früher einen Nachmittag manueller Nacharbeit gekostet hätte, ist hier ein einzelner Arbeitsschritt.
OpenAI hat beschrieben, wohin die Arbeit an Modellen für Ingenieursaufgaben führen soll. Der Bericht handelt von Mechanik, Elektronik und der Kette dazwischen – also von der Arbeit, die nötig ist, wenn aus einer Idee ein physisches Produkt werden soll. Das Unternehmen nennt interne Teams, erste Industriepartner und ausdrücklich auch die Stellen, an denen es noch nicht rund läuft. Erst kommt die Fähigkeit, dann die Grenze, dann die Frage nach der Verantwortung.
Ingenieursarbeit ist im Kern eine Kette von Übersetzungen. Am Anfang steht eine Absicht, dann folgt ein CAD-Modell, daraus eine Fertigungszeichnung, dann eine Simulation, dann ein Prototyp, dann eine Serie. Jede Station übersetzt die vorherige in eine andere Sprache. Bei jeder Übersetzung geht Information verloren oder muss teuer neu erzeugt werden. Die Frage ist also nicht, ob ein Modell zeichnen kann. Die Frage ist, ob es die Übersetzung zwischen den Stationen versteht.
Warum Ingenieursarbeit vor allem Übersetzungsarbeit ist
OpenAI beschreibt das Arbeitsfeld als Zusammenführung von mechanischem Entwurf, Elektronik, Software und Fertigungsanforderungen in spezialisierten Werkzeugen. Dort entsteht der Aufwand, der in keinem Lastenheft auftaucht: Bauteile werden verschoben, weil ein Stecker zwei Millimeter mehr Platz braucht. Eine Leiterplatte wird neu geroutet, weil das Gehäuse eine Rippe bekommt. Am Ende passt die Zeichnung nicht mehr zum Modell. Diese Änderungen kosten keine Kreativität, sondern Koordination.
Die Modelle sollen laut Bericht dort helfen: beim Vorbereiten von Zeichnungen, beim Aufsetzen von Simulationen, beim Nachziehen von Änderungen über Disziplinen hinweg. Das klingt nach Büroarbeit. Es ist aber der Kern des Problems. Wer eine Baugruppe über mehrere Gewerke hinweg geändert hat, weiß, dass die eigentliche Konstruktion oft in einem Bruchteil der Zeit erledigt ist. Der Rest ist Nachführen, Prüfen, Dokumentieren.
Wer selbst konstruiert, kennt den Unterschied zwischen einer Idee, die im Kopf funktioniert, und einer Zeichnung, die ein Zulieferer ohne Rückfrage fertigen kann. Dazwischen liegt der eigentliche Aufwand. Sinkt er, sinkt nicht die Qualität der Ideen. Es steigt die Zahl der Ideen, die bis zur Zeichnung kommen.
Ein Gerät aus dem Modell: der Astra-Test
Um die eigenen Fähigkeiten zu prüfen, hat OpenAI einen hohen Maßstab angelegt: ein Gerät entwerfen, ohne dass ein Mensch direkt in die Entwürfe eingreift. GPT-6 Astra sollte die funktionalen Anforderungen definieren und daraus Gehäuse, Leiterplatte und Softwareintegration ableiten – für ein Gerät, mit dem sich Codex per Sprache bedienen lässt. Die Gestaltung orientierte sich an einer früheren Zusammenarbeit mit Work Louder und an Referenzen aus Spielen und Spielzeug.
Der Bericht listet die Stationen auf: Formgebung, mechanischer Entwurf des Gehäuses samt innerer Haltestrukturen, Auswahl der elektrischen Komponenten und Layout der Leiterplatte mit Platzierung und Verbindungen, dazu Oberfläche, Firmware und die Anbindung an Codex. Zwei Teammitglieder entwarfen das Testgerät als Nebenprojekt in unter einer Woche. Ein Auftragsfertiger baute in unter einem Monat eine kleine Prototypenserie.
Der entscheidende Satz steht danach: Für die Fertigung waren mehrere Runden Prüfung und Überarbeitung nötig, weil das Modell die Produktionsgrenzen, Toleranzen und Montagedetails des Herstellers nicht durchgängig berücksichtigt hat. Hier reißt die Übersetzungskette. Ein Entwurf kann formal korrekt sein und trotzdem nicht fertigbar, weil ein Werkzeugradius fehlt oder eine Toleranzkette nicht aufgeht.
CAD, Fertigungszeichnungen und Simulationen im eigenen Haus
Wichtiger als der Demonstrator ist der Alltag. Die Hardware- und Infrastrukturteams von OpenAI nutzen Codex und ChatGPT nach eigenen Angaben, um CAD-Modelle zu erstellen und zu überarbeiten, Fertigungszeichnungen vorzubereiten, Simulationen aufzusetzen und Entwürfe zu prüfen. Das Spektrum reicht von Robotik bis zur Rechenzentrumsinfrastruktur – von filigraner Mechanik bis zu sperrigen Baugruppen mit engen Toleranzen.
Als Maß für die Verbreitung nennt das Unternehmen eine Zahl: Die Nutzung in Tokens ist seit Februar um den Faktor 23 gewachsen. Das sagt nichts über Qualität. Es sagt etwas über Gewohnheit. Ein Werkzeug setzt sich im Engineering nicht durch, weil es beeindruckt. Es setzt sich durch, weil es schneller ist als der Umweg über die eigene Routine.
Für dich heißt das: Die Werkzeugkette verändert sich von innen, nicht durch eine Ankündigung von außen. Wenn ein Modell eine Zeichnung vorbereitet und ein Mensch sie nur noch prüft, verschiebt sich die Arbeit vom Erzeugen zum Bewerten. Der Berufsalltag ändert sich, die Berufsbezeichnung bleibt.
BenchCAD 2.0: was ein Score von 0,875 aussagt
OpenAI hat außerdem einen Test vorgestellt, der Programmieren mit Ingenieurwissen verbindet. BenchCAD 2.0 prüft, ob Modelle dreidimensionale Bauteile und Baugruppen rekonstruieren und Verbindungen auf Leiterplatten erkennen können. Ein neueres internes Modell erreichte im Durchschnitt 0,875 Punkte. GPT-6 Astra kam in der höchsten Denkstufe auf 0,594.
Solche Zahlen sollte man mit Ruhe lesen. Ein Benchmark misst eine ausgewählte Aufgabe unter Laborbedingungen, nicht den Produktentstehungsprozess. Der Bericht sagt das selbst: Der Ingenieursalltag umfasst weit mehr als Entwurf. Die Verbesserung ist ein früher Hinweis, kein Nachweis. Der Sprung innerhalb kurzer Zeit zeigt trotzdem, wohin die Kurve geht.
In der Praxis heißt ein solcher Wert nicht, dass du deine Konstruktion abgibst. Die Vorstufe – eine Baugruppe aus einem Scan verstehen, Verbindungen erkennen, eine Topologie nachvollziehen – lässt sich zunehmend automatisieren. Genau diese Vorstufe ist heute oft der Grund, warum ein Projekt eine Woche später anfängt.
Chip Ganassi Racing und Mazda: prüfen statt glauben
Die Zusammenarbeit mit Chip Ganassi Racing wird ausgeweitet, um Workflows zu testen, die aus 3D-Scans bestehender Teile bearbeitbare CAD-Modelle und zweidimensionale Fertigungszeichnungen machen. Das ist dort wertvoll, wo Originaldateien fehlen. Im Rennsport ist das die Regel, weil Teile über Jahre modifiziert und selten sauber dokumentiert werden. Die Ingenieure des Teams prüfen die Ergebnisse auf Genauigkeit und Fertigbarkeit.
Neu ist eine Forschungskooperation mit Mazda. Dort arbeiten die Forschungs- und Engineering-Teams von OpenAI mit Aerodynamik- und Crash-Ingenieuren zusammen, um Fahrzeugentwürfe zu entwickeln und zu bewerten. Das Modell schlägt neue Nasenformen vor, simuliert die Luftströmung und verfeinert die vielversprechendsten Varianten, um den Luftwiderstand zu senken. Designvorgaben und Kosten bleiben dabei Randbedingungen.
Die Rollenverteilung ist klar: Die Modelle liefern Vorschläge, die Menschen prüfen. Diese Prüfung ist keine Formalie. Sie ist der eigentliche Wert der Kooperationen, weil sie zeigt, welche Aufgaben heute zuverlässig unterstützt werden können und welche noch nicht. Ein Modell, das eine Strömungssimulation vorbereitet, ist nützlich. Eines, dessen Simulation niemand mehr nachvollziehen kann, ist ein Risiko.
Was das konkret bedeutet
Der Engpass verschiebt sich, er verschwindet nicht. Modelle werden schneller beim Erzeugen von Entwürfen, Zeichnungen und Simulationssetups. Die Fertigbarkeit bleibt vorerst menschliche Arbeit, weil sie Erfahrung mit Werkzeugen, Materialien und Zulieferern verlangt. Wer Toleranzen, Produktionsgrenzen und Montagereihenfolgen im Kopf hat, wird dadurch nicht überflüssig, sondern wichtiger.
Für dich heißt das: beobachte den Werkzeugkasten, ohne ihm zu viel zuzutrauen. Wenn du in der mechanischen oder elektrischen Konstruktion arbeitest, schau auf die Schritte, die reine Übersetzungsarbeit sind: Scans zurück in Modelle bringen, Altdaten rekonstruieren, Varianten für Simulationen aufsetzen, Zeichnungen aus Modellen ableiten. Dort ist der Nutzen heute am konkretesten messbar.
OpenAI sucht ausdrücklich Ingenieure, Firmen und Softwareanbieter, die an dieser Entwicklung mitarbeiten und ihre Werkzeuge und Probleme einbringen. Das ist keine Randnotiz. Es ist das Eingeständnis, dass ein Modell die Fertigungswirklichkeit nicht aus Daten lernt, sondern aus Bauteilen, die tatsächlich gebaut wurden. Kürzer wird die Kette der Übersetzungen nur, wenn die Leute, die sie täglich gehen, sagen, wo es hakt.
Quelle: openai.com
