Stimuleer technische efficiëntie:agentische AI, van adoptie tot impact in de echte wereld

Hoe agentische AI evolueert van technische pilots naar impact in de echte wereld in simulatiegestuurde ontwerpworkflows.

Door Steven Laine

Agentische AI en automatisering hebben een enorm potentieel om technische taken uit te voeren, variërend van het opzetten van simulaties tot ontwerpverkenning tot een aantal andere arbeidsintensieve handmatige handelingen. In een tijd waarin de druk toeneemt om de efficiëntie te verhogen, meer te produceren en over het algemeen sneller te handelen terwijl ze kosteneffectief blijven, zijn deze middelen voor velen een welkome aanblik.

Als gevolg hiervan stellen organisaties in alle sectoren hoge verwachtingen van agent AI om significante resultaten te leveren. Uit een recent onderzoek onder technische leiders is zelfs gebleken dat 93% verwacht dat AI productiviteitswinst zal opleveren, en dat 30% zeer hoge winsten verwacht.

Maar de pure opwinding en het potentieel van agentische AI vertalen zich niet noodzakelijkerwijs in een resultaat dat op een zinvolle manier kan worden gezien. Ondanks al het enthousiasme en de succesvolle proefprojecten is er momenteel een aanzienlijke kloof tussen adoptie en output die echte impact genereert.

Hoewel de verwachtingen voor productiviteitswinsten onder ingenieurs vrijwel universeel zijn, zijn de resultaten in de praktijk geen gelijke tred gebleven. Slechts 3% van diezelfde ondervraagde ingenieurs meldt dat ze vandaag de dag een aanzienlijke impact hebben geboekt.

Om die kloof te dichten is meer nodig dan het aanbrengen van intelligente functies op bestaande tools. In plaats daarvan moeten ingenieurs prioriteit geven aan het direct inbedden van agentische AI in technische workflows op manieren die de transparantie versterken, de controle behouden en een grotere productiviteit mogelijk maken.

Agentic AI configureert en voert simulatieworkflows uit, terwijl ingenieurs toezicht en controle behouden.

Het succes van engineering hangt af van vertrouwen en controle

In veel bedrijfsfuncties wordt de adoptie van AI gerechtvaardigd door verbeteringen in snelheid of kostenefficiëntie. Engineering wordt echter geconfronteerd met een complexer geheel van overwegingen. Voor ingenieurs kunnen veel beslissingen de fysieke prestaties, veiligheid en betrouwbaarheid op de lange termijn beïnvloeden, wat betekent dat de gevolgen verder reiken dan eenvoudige productiviteitsstatistieken.

Met die context wordt duidelijk waarom AI-systemen aan een hogere drempel moeten voldoen. Agentic AI kan complexe processen autonoom plannen en uitvoeren, maar dat alleen is niet de sleutel tot echte impact. Ingenieurs hebben nog steeds behoefte aan duidelijkheid over hoe agenten beslissingen nemen, zoals het kiezen van natuurkundige modellen, het definiëren van randvoorwaarden of het evalueren van resultaten. Als deze stappen niet zichtbaar zijn, zal het vertrouwen eroderen en kan de adoptie vertragen.

Succesvolle organisaties positioneren AI als een samenwerkingspartner in plaats van als een autonome beslisser. Dat betekent dat u toezicht moet houden op aannames en parameters, terwijl de agent de uitvoering regelt. Transparante workflows geven teams de mogelijkheid om tussenstappen te beoordelen, resultaten te valideren en aanbevelingen terzijde te schuiven wanneer dat nodig is. Dit evenwicht helpt de verantwoordelijkheid te behouden en sluit aan bij gevestigde technische praktijken, vooral in gereguleerde of veiligheidskritische omgevingen waar uitlegbaarheid essentieel is.

Met transparantie en controle kan AI een betrouwbare bijdrager worden in plaats van een bron van onzekerheid.

Automatisering met technische intentie

De keuze voor agentische AI en automatisering komt vaak neer op productiviteit, en ingenieurs zijn in dit opzicht niet anders. Agentic AI introduceert een meer adaptief bedrijfsmodel dat gericht is op engineering in plaats van op een vaste reeks instructies. Vooral bij simulatiegestuurde ontwikkeling wordt een aanzienlijke hoeveelheid tijd besteed aan het voorbereiden van modellen in plaats van aan het interpreteren van de resultaten. Ingenieurs moeten randvoorwaarden definiëren, natuurkundige modellen selecteren, oplossers configureren en parameterstudies opzetten. Al deze taken zijn belangrijk, maar ze zijn ook repetitief en foutgevoelig.

AI-agents die zijn ontworpen voor technische workflows kunnen doelstellingen vertalen in een uitvoerbaar proces. Als het doel bijvoorbeeld is om de prestaties van ontwerpvarianten te evalueren, kan een agent simulaties configureren, parameteropruimingen beheren en resultaten organiseren binnen een bepaald raamwerk. Naarmate de input in de loop van de tijd evolueert, kunnen de workflows zich dienovereenkomstig aanpassen, waardoor technici de doelstellingen kunnen verfijnen zonder dat ze opnieuw hoeven te worden opgebouwd.

Door deze verschuiving kunnen teams na verloop van tijd minder tijd besteden aan het instellen en meer aan analyse, interpretatie en ontwerpverfijning. De productiviteitswinsten waar leiders al lang op anticiperen zullen waarschijnlijker worden wanneer AI de meest tijdintensieve delen van simulatieworkflows ondersteunt, terwijl het toezicht van deskundigen behouden blijft.

Door AI aangedreven simulatieagenten automatiseren de installatie en analyse om de verkenning van technische ontwerpen te versnellen.

Ontwerpverkenning vroegtijdig uitbreiden

Agentic AI breidt ook uit wat er kan worden bereikt in een vroeg ontwerpstadium. Cloud-native simulatieplatforms, gecombineerd met AI-agents, maken het mogelijk om een ​​groot aantal simulaties parallel te coördineren. Wanneer deze mogelijkheid wordt geïntegreerd met op fysica gebaseerde AI-modellen, versnelt deze de afwegingsanalyse en brengt prestatietrends aan het licht met voldoende tijd om de ontwerprichting te beïnvloeden, in plaats van te fungeren als een verificatiestap in de eindfase.

Voor ingenieurs die werkzaam zijn in sectoren waar fysiek testen duur of onpraktisch is, kan deze uitgebreide verkenning zeer waardevol zijn. Teams kunnen het stroomgedrag of de structurele respons onder uiteenlopende omstandigheden evalueren zonder meerdere prototypes te bouwen.

Door eerder inzicht te krijgen, kunt u de downstream-risico's verminderen. Naarmate projecten vorderen, nemen de kosten van verandering toe, en herontwerpen in een laat stadium kunnen de tijdlijnen vertragen en de budgetten onder druk zetten. Door vanaf het begin de verkenning te verbreden, wordt een sterkere besluitvorming ondersteund en wordt de kans op latere herzieningen kleiner.

Toch hangt het realiseren van consistente resultaten binnen teams vaak af van meer dan alleen technische capaciteiten.

De sprong maken van intentie naar impact

Leiders in de techniek verwachten overweldigend dat AI een betekenisvolle productiviteitswinst zal opleveren, maar toch heeft slechts een klein percentage de grootste impact gerealiseerd. De kloof lijkt niet een gebrek aan potentieel te weerspiegelen, maar de uitdaging van een gedisciplineerde implementatie op grote schaal.

Organisaties die deze kloof willen dichten, kunnen er baat bij hebben zich op drie gebieden te concentreren. Het inbedden van transparantie en controle in AI-gestuurde workflows draagt ​​bij aan het opbouwen van vertrouwen. Het afstemmen van agentische AI ​​op kerntechnische taken zoals het opzetten van simulaties en ontwerpverkenning zorgt voor relevantie. Door te investeren in een gecentraliseerde infrastructuur die schaalbaarheid ondersteunt, kunnen inzichten en workflows worden hergebruikt in plaats van opnieuw te worden gemaakt.

Door deze elementen samen te brengen, wordt agentische AI getransformeerd om te functioneren als een vertrouwde uitbreiding van het technische team, waardoor de validatie wordt versneld, de verkenning wordt verbreed en de besluitvorming wordt versterkt zonder de operationele nauwkeurigheid in gevaar te brengen.

Door de basis achter de adoptie van AI te leggen, kunnen organisaties de sprong maken van verwachtingen naar meetbare resultaten.

Over de auteur:
Steve Lainé is directeur Solution Engineering bij SimScale. Hij heeft een technische basis, met een masterdiploma Werktuigbouwkunde en een Ph.D. in materiaalkunde. Steve heeft 13 jaar brancherelevante ervaring in lucht- en ruimtevaartontwerp en engineeringsimulatie.