Jetzt Gratis-Kennenlerngespräch anfragen

Vor dem Trend

5. October 2026

Kurz zusammengefasst

Unsere Erfahrungen mit KI reichen bis in die technische Simulation zurück, wo wir früh Machine Learning und GPU-basierte Berechnungen einsetzten.

Damit reduzierten wir Simulationszeiten um bis zu 95 % und ermöglichten kürzere Entwicklungszyklen sowie schnellere Entscheidungen.

Durch Machine Learning konnten wir Fehlerursachen in der Serienfertigung gezielter identifizieren und die Verarbeitung technischer Anforderungen automatisieren.

Unsere Erfahrung mit lokalen KI-Modellen ermöglicht es uns heute, auch sensible Unternehmensdaten sicher und unabhängig von externen Cloud-Diensten zu verarbeiten.

Mit Foretask übertragen wir dieses Wissen auf konkrete Unternehmensprozesse: weniger manuelle Arbeit, geringere Kosten, schnellere Abläufe und eine KI-Einführung, die Mitarbeiter mitnimmt.

Warum wir uns schon mit künstlicher Intelligenz beschäftigten, als noch kaum jemand darüber sprach – und warum die größte Herausforderung heute nicht mehr die Technologie ist.

Künstliche Intelligenz ist heute überall. Unternehmen diskutieren über Large Language Models, Automatisierung und KI-Agenten. Was vor wenigen Jahren noch als Zukunftstechnologie galt, ist inzwischen in der breiten Öffentlichkeit angekommen.

Für uns begann diese Entwicklung allerdings schon deutlich früher. Nicht mit ChatGPT, sondern mit einer ganz anderen Frage: Wie können wir hochkomplexe technische Probleme schneller und besser lösen?

Von der technischen Simulation zur künstlichen Intelligenz

Technische Simulation und parallele Berechnung als Grundlage für schnellere Entwicklungszyklen.

Unsere Wurzeln liegen in der technischen Simulation, dem Computer-Aided Engineering (CAE). Wer in diesem Bereich arbeitet, kennt die Herausforderung: Hochgenaue Simulationen liefern wertvolle Erkenntnisse, benötigen aber enorme Rechenleistung.

Schon früh beschäftigten wir uns deshalb mit Machine Learning. Beispielsweise nutzten wir datenbasierte Verfahren, um die Konturen von Blasformprozessen vorherzusagen. Das Potenzial war offensichtlich: Wenn Algorithmen aus vorhandenen Daten lernen, müssen wir nicht jede Fragestellung erneut mit maximalem Rechenaufwand lösen.

Parallel dazu entdeckten wir die Möglichkeiten der GPU-basierten Berechnung. Grafikkarten waren längst nicht mehr nur für die Darstellung von Bildern interessant. Ihre massiv parallele Architektur eröffnete völlig neue Möglichkeiten für die technische Simulation.

Die Ergebnisse waren beeindruckend: Bis zu 95 % weniger Rechenzeit.

Simulationen, die zuvor Wochen benötigten, konnten plötzlich innerhalb von Stunden durchgeführt werden.

Das war nicht einfach nur eine technische Verbesserung. Es veränderte die Arbeitsweise. Wir konnten mehr Varianten untersuchen, schneller Entscheidungen treffen und Entwicklungsschleifen erheblich verkürzen.

Machine Learning: Wenn Simulationen aus Erfahrungen lernen

Machine Learning nutzt vorhandene Ergebnisse als Grundlage für neue Vorhersagen.

Doch warum bei der Beschleunigung bestehender Verfahren stehen bleiben?

Wir entwickelten eigene Machine-Learning-Lösungen, mit denen wir Simulationszeiten noch weiter reduzieren konnten. Statt jedes physikalische Verhalten vollständig neu zu berechnen, lernten unsere Modelle aus bereits vorhandenen Simulationsergebnissen.

Mit der Zeit erweiterten wir diesen Ansatz auf ganz andere Anwendungsgebiete.

Ein besonders spannendes Beispiel war die Analyse von Fehlern in der Serienfertigung. Wenn ein Produkt beim abschließenden Serientest auffällt, ist zwar bekannt, dass ein Problem besteht – aber noch lange nicht, warum.

Durch die Kombination von Fertigungsdaten und Machine Learning konnten wir Zusammenhänge erkennen und Fehlerbilder möglichen Ursachen im Produktionsprozess zuordnen.

Aus einer reinen Fehlererkennung wurde damit ein Werkzeug zur systematischen Ursachenanalyse.

KI für Texte – lange vor dem LLM-Boom

Anforderungen strukturiert vorbereiten – mit fachlicher Prüfung durch die zuständigen Menschen.

Auch die Verarbeitung von Sprache und technischen Dokumenten gehörte früh zu unseren Anwendungsfeldern.

In großen Entwicklungsprojekten entstehen Tausende Anforderungen, sogenannte Requirements. Diese müssen kategorisiert, strukturiert und den richtigen Fachbereichen zugeordnet werden.

Wir entwickelten ML-basierte Lösungen, die genau solche Aufgaben automatisierten – lange bevor Large Language Models zum allgemeinen Gesprächsthema wurden.

Was heute mit modernen Sprachmodellen vergleichsweise selbstverständlich erscheint, erforderte damals spezialisierte Modelle, eigene Trainingsdaten und viel Entwicklungsarbeit.

Der Grundgedanke war jedoch derselbe wie heute: Menschen von repetitiven Aufgaben entlasten, damit sie sich auf die wirklich anspruchsvollen Fragen konzentrieren können.

Als die Welt ChatGPT entdeckte, liefen bei uns bereits lokale KI-Modelle

Lokale Verarbeitung: Daten, Modellbetrieb und Ergebnisse bleiben in der eigenen Umgebung.

Mit ChatGPT machte OpenAI künstliche Intelligenz für Millionen Menschen unmittelbar erlebbar. Plötzlich konnte jeder mit einer KI sprechen, Texte erstellen oder komplexe Fragen bearbeiten.

Wir waren begeistert von dieser Entwicklung, aber wir mussten nicht bei null anfangen.

Die leistungsfähigen GPUs, die wir für unsere Simulationen nutzten, standen bereits zur Verfügung. Und wir hatten schon früh begonnen, lokale KI-Modelle auf eigener Hardware einzusetzen.

Damit beschäftigten uns Fragen, die heute für Unternehmen besonders relevant sind: Wie lassen sich leistungsfähige KI-Systeme unabhängig von externen Cloud-Diensten betreiben? Wie bleiben sensible Unternehmensdaten unter eigener Kontrolle? Und welche Aufgaben lassen sich sinnvoll automatisieren?

Die Technologie entwickelte sich weiter, aber unsere Erfahrungen mit paralleler Datenverarbeitung, Machine Learning und komplexen technischen Systemen bildeten ein wertvolles Fundament.

Die schwierigste Frage war irgendwann keine technische mehr

Menschen, Prozesse und Technik müssen bei der Einführung zusammenspielen.

Mit jeder neuen technologischen Möglichkeit entstand auch eine neue Herausforderung.

Wir konnten Simulationen beschleunigen, Daten automatisch auswerten, technische Dokumente klassifizieren und zunehmend komplexe Prozesse intelligent unterstützen.

Aber wie bringt man diese vielen Neuerungen tatsächlich in ein Unternehmen?

Wie integriert man neue Technologien in bestehende Prozesse, ohne die Organisation zu überfordern?

Wie überzeugt man Mitarbeiter, die seit Jahren erfolgreich mit etablierten Methoden arbeiten?

Und wie verhindert man, dass aus einer Vielzahl innovativer Einzellösungen ein unübersichtlicher Technologie-Dschungel entsteht?

Irgendwann stellten wir fest: Die organisatorischen und menschlichen Herausforderungen wurden größer als die technischen.

Die beste Technologie ist wertlos, wenn sie nicht verstanden, akzeptiert und sinnvoll eingesetzt wird.

Nicht jede Aufgabe braucht künstliche Intelligenz. Nicht jeder Prozess muss automatisiert werden. Und nicht jede Innovation sollte sofort eingeführt werden.

Entscheidend ist, die richtigen Anwendungsfälle zu identifizieren, den tatsächlichen Nutzen nachzuweisen und Menschen auf dem Weg mitzunehmen.

Von der technischen Innovation zur praktischen Umsetzung

Die Aufgabe bestimmt die Technologie – der Nutzen im Arbeitsalltag ist das Ziel.

Genau aus diesen Erfahrungen ist unsere heutige Herangehensweise bei Foretask entstanden.

Wir betrachten KI nicht als Selbstzweck und auch nicht als Trend, dem Unternehmen möglichst schnell folgen müssen.

Wir kennen die Technologie aus der praktischen Entwicklung und Anwendung. Wir wissen, welche enormen Potenziale sie bietet – aber auch, wie schnell technische Begeisterung an der betrieblichen Realität scheitern kann.

Deshalb beginnen wir nicht mit der Frage, welches KI-Modell gerade das leistungsfähigste ist.

Wir beginnen mit den Aufgaben, Prozessen und Menschen im Unternehmen.

Wo entstehen unnötige Aufwände? Wo fehlen Informationen? Welche wiederkehrenden Tätigkeiten lassen sich vereinfachen? Und an welchen Stellen kann KI tatsächlich einen wirtschaftlichen Vorteil schaffen?

Erst dann wählen wir die passende Technologie – von klassischer Automatisierung über spezialisierte Machine-Learning-Verfahren bis zu lokalen Sprachmodellen und KI-Agenten.

Unsere wichtigste Erkenntnis aus vielen Jahren technologischer Entwicklung:

Es ist nicht entscheidend, jedem Trend zu folgen. Entscheidend ist, früh zu erkennen, welche Technologie echten Nutzen stiftet – und sie so einzusetzen, dass Menschen und Unternehmen davon profitieren.

Denn die Zukunft gehört nicht denen, die möglichst viel KI einsetzen.

Sondern denen, die KI sinnvoll einsetzen.

Foretask – Technologisches Verständnis. Praktische Umsetzung. KI mit echtem Mehrwert.