Warum der Begriff "generatives Design" in jedem Pitch-Deck auftaucht
Autodesk hat Generative Design in Fusion 360 demokratisiert. Siemens, PTC und nTopology haben nachgezogen. Parallel sind KI-Bildgeneratoren wie Vizcom, Krea und Midjourney im Mainstream angekommen. Additive Fertigung wird industrietauglich, und Cloud-Rechenkapazitäten senken die Einstiegshürden für rechenintensive Optimierungen. Das Ergebnis: Der Begriff "generatives Design" taucht heute in Verkaufsgesprächen, Förderanträgen und Strategiepapieren auf, oft ohne dass die Beteiligten dasselbe meinen.
Für Produktentwickler und Entwicklungsleiter schafft das ein konkretes Problem. Angebote von Designpartnern, Softwareanbietern und internen Teams werden vergleichbar präsentiert, obwohl sie technisch unterschiedliche Ansätze adressieren. Wer generatives Design pauschal einkauft, bekommt möglicherweise eine Topologieoptimierung, wo ein parametrischer Ansatz gebraucht würde, oder einen KI-Ideationsworkflow, wo ein fertigungsgerechter Konstruktionsentwurf erwartet wurde. Die Folge sind Fehlinvestitionen, Missverständnisse im Projekt und Ergebnisse, die niemand wirklich verantworten will.
In unserer Arbeit als Industriedesign-Studio begegnet uns diese Unschärfe regelmäßig. Dieser Artikel trennt die drei relevanten Technologien sauber auf, zeigt am eigenen Praxisbeispiel Continental Mountain King, wie parametrisches Design konkret funktioniert, und ordnet ein, wo der eigentliche Hebel für Hersteller liegt: in der Verbindung von Algorithmus und Fertigungsrealität.
Topologieoptimierung, das "klassische" generative Design
Topologieoptimierung ist der älteste der drei Ansätze. Sie ist seit den 1990er Jahren etabliert und heute in jeder größeren CAD-Suite verfügbar, etwa in Autodesk Fusion 360, Siemens NX, PTC Creo, Altair Inspire oder nTopology. Der Designer oder Ingenieur definiert einen Bauraum, Lastfälle, Fixpunkte und das geplante Fertigungsverfahren. Der Algorithmus entfernt dann iterativ Material aus diesem Bauraum, bis die dünnste noch belastbare Struktur übrig bleibt. Das Ergebnis ist ein einziger, optimierter Entwurf, der oft organisch-bionisch wirkt.
Die typischen Einsatzfelder liegen dort, wo Gewicht ein bezifferbarer Produktvorteil ist und Fertigungsverfahren die entstehenden Freiformen zulassen:
- Leichtbau in Luft- und Raumfahrt, Motorsport und Medizintechnik
- Halterungen, Konsolen und Strukturbauteile für additive Fertigung
- Wärmetauscher und Kühlkörper mit komplexer Innengeometrie
- Implantate und individuell angepasste Bauteile mit patientenspezifischen Lasten
Ihre Grenzen sind ebenso klar. Sie braucht klar definierbare, realistische Lastfälle, und wer die falschen Lasten eingibt, bekommt eine optimale Lösung für das falsche Problem. Die bionischen Ergebnisse sind im konventionellen Spritzguss nur begrenzt umsetzbar, weshalb ohne additive Fertigung oder mehrachsige Fräsbearbeitung ein Großteil des Einsparpotentials ungenutzt bleibt. Und: Ästhetik, Haptik und semantische Produktsprache fließen nicht als Input ein. Ein topologieoptimiertes Bauteil ist funktional, aber nicht automatisch ein gutes Produkt.
Parametrisches und algorithmisches Design
Im parametrischen Design schreibt der Designer keine Formen, sondern Regeln. Eine Änderung an einem Parameter, etwa der Nutzergröße, der Losgröße oder der Materialstärke, ändert automatisch die gesamte Geometrie. Das Verfahren ist näher am Programmieren als am klassischen Modellieren. Wer die richtigen Regeln formuliert, kann in kurzer Zeit hunderte valide Varianten erzeugen. Typische Tools sind Grasshopper für Rhino, Autodesk Dynamo, Siemens Parasolid und Houdini.
Das didaktische Grundprinzip ist überschaubar. Ein Punkt im dreidimensionalen Raum wird durch xyz-Koordinaten beschrieben. Verändert man die Werte, verschiebt sich der Punkt. Verbindet man mehrere Punkte zu Flächen und Körpern, entstehen Geometrien, deren Form sich vollständig über die ursprünglichen Koordinaten steuern lässt. Komplexe parametrische Modelle bauen darauf auf: Mathematische Funktionen verknüpfen viele Parameter miteinander, sodass aus einem einzigen Regelwerk zahllose valide Varianten entstehen, ohne dass jede einzeln modelliert werden muss.
Parametrisches Design lohnt sich überall dort, wo Variantenvielfalt zum Geschäftsmodell gehört. Produktfamilien mit vielen Größenabstufungen, kundenindividuell anpassbare Produkte in Orthopädie, Möbelbau oder Schmuckindustrie, komplexe Oberflächen in Architektur und Interior Design oder Verpackungsentwicklungen mit automatisch generierten Varianten sind klassische Anwendungsfelder. Wer Mass Customization ernst meint, kommt an parametrischen Methoden nicht vorbei.
Die Einstiegshürde ist allerdings hoch. Ein sauber aufgesetztes parametrisches Modell ist ein eigenes Entwicklungsprojekt, nicht nur eine CAD-Übung. Der Algorithmus ist nur so gut wie das zugrundeliegende Regelwerk, und schlecht definierte Parameter produzieren schnell unbrauchbare Varianten in großer Zahl. Hinzu kommt, dass parametrische Modelle wie Programmcode dokumentiert und gepflegt werden müssen, was Übergaben an andere Teams aufwendig macht.
Praxisbeispiel: Wie ein Mountain-King-Reifenprofil parametrisch entsteht
Reifenprofile sind ein Lehrbuchbeispiel für parametrisches Design, auch wenn das auf den ersten Blick nicht offensichtlich wirkt. Was beim Betrachten eines Mountainbike-Reifens wie ein gestalterisch frei gesetztes Muster aussieht, folgt in Wahrheit einem strengen Regelwerk: Stollen müssen in definierten Abständen sitzen, ihre Höhen und Breiten beeinflussen Grip, Rollwiderstand und Selbstreinigung, ihre Kantenwinkel entscheiden über Vortrieb und Bremsverhalten. Ein einzelner Reifen ist immer Teil einer Familie verschiedener Einsatzbereiche, vom XC-Race-Reifen bis zum Enduro-Pneu, und jede Variante variiert genau diese Parameter.
Für die Designentwicklung des Continental Mountain King haben wir diese Parameter in Grasshopper abgebildet, einem visuellen Programmierwerkzeug für Rhino. Statt jeden Stollen einzeln zu modellieren, definiert das parametrische Modell die Logik des Profils: Wie viele Stollen sitzen auf welcher Linie, in welchem Abstand, mit welcher Höhe und welcher Kantengeometrie. Wird ein Parameter verändert, generiert das Modell automatisch ein vollständiges neues Profil, ohne dass die Designsprache verloren geht.
Damit das funktioniert, muss klar sein, was ein Stollen anatomisch eigentlich ist. Jeder Stollen besteht aus mehreren Bereichen mit spezifischen Funktionen, die im parametrischen Modell als einzelne steuerbare Größen auftauchen.
Auf Basis dieser Anatomie haben wir im Grasshopper-Modell die zentralen Stellgrößen festgelegt. Variabel sind die Abstände der Stollen untereinander, ihre Höhen und Breiten sowie die Winkel von Knob Face, Leading Edge, Trailing Edge und Side Edge. Jede dieser Größen ist ein Schieberegler im Modell, und jede Änderung erzeugt sofort eine neue, vollständig durchkonstruierte Variante des Reifenprofils. Damit lassen sich gezielt Profile für unterschiedliche Untergründe entwickeln, ohne dass das gestalterische Grundprinzip verloren geht.
Wichtig ist dabei, was das parametrische Modell nicht leistet. Es entscheidet nicht, welcher Stollenabstand für welchen Untergrund optimal ist. Es weiß nicht, wie sich Gummimischung und Profilgeometrie gemeinsam verhalten. Es kennt die Markenwerte von Continental nicht. Die Entscheidungen, welche Profil-Logik die richtige für welchen Reifen ist, treffen Designer und Ingenieure gemeinsam. Das parametrische Modell ist das Werkzeug, das diese Entscheidungen umsetzt, präziser und schneller, als manuelles Modellieren das je könnte.
Genau hier zeigt sich der Wert des Ansatzes über das einzelne Produkt hinaus. Ein parametrisches Modell, das einmal sauber aufgebaut ist, lässt sich auf weitere Reifen einer Serie übertragen, lässt sich an neue Anforderungen anpassen und dokumentiert gleichzeitig die gestalterische DNA einer Produktfamilie. Was beim ersten Aufbau Mehraufwand bedeutet, zahlt sich über Jahre aus, wenn aus einem Reifen eine Variantenfamilie wird.
KI-gestützte Designgeneratoren
Die dritte und jüngste Kategorie sind KI-Bildgeneratoren, die aus Text-Prompts oder Skizzen visuelle Entwürfe erzeugen. Sie arbeiten auf Bildebene, nicht auf Geometrieebene. Das Ergebnis ist keine CAD-Datei, sondern ein Rendering oder eine Skizze, die als Inspiration in den klassischen Designprozess zurückfließt. Tools wie Vizcom, Krea AI, Runway oder Adobe Firefly haben in den letzten zwei Jahren einen Reifegrad erreicht, der sie für die professionelle Ideation nutzbar macht.
Der Einsatz lohnt sich in frühen Projektphasen, wenn Moodboards, Stilrichtungen und erste Formideen schnell exploriert werden sollen. In einer Woche entstehen so hunderte Variantenansätze, aus denen das Designteam auswählt und die vielversprechendsten in die CAD-Phase übersetzt. Auch für Kundenkommunikation und frühe Abstimmungen sind KI-generierte Visualisierungen nützlich, weil sie Tempo in sonst zähe Entscheidungsphasen bringen.
Die Grenzen sind fundamental. KI-Bildgeneratoren liefern keine fertigungstauglichen Daten. Das Ergebnis sieht aus wie ein Produkt, ist aber keins. Hinterschnitte, Wandstärken, Entformung und Montagelogik fehlen komplett, weil der Algorithmus Pixel optimiert, nicht Geometrie. Die urheberrechtlichen Fragen zu Trainingsdaten sind in der EU zudem nicht abschließend geklärt, was für markenrelevante Produkte zum Risiko werden kann.
Der eigentliche Hebel: Generatives Design und Fertigung zusammendenken
Der häufigste Fehler in Projekten, die wir begleiten, ist das Denken in Tool-Kategorien statt in Entwicklungslogik. Topologieoptimierung wird eingekauft, weil die Software verfügbar ist, nicht weil die Fertigungsstrategie sie sinnvoll macht. Die Konsequenz sind bionisch optimierte Bauteile, die sich im Serienprozess nicht wirtschaftlich herstellen lassen.
Ein konkretes Beispiel: Ein topologieoptimiertes Gehäuseteil, das im 3D-Druck 35 Prozent Gewicht spart, ist in der Prototypenphase beeindruckend. Im Spritzguss bei einer Jahresstückzahl von 100.000 Einheiten wird daraus ein Problem. Werkzeugformen für organische Freiformen sind teurer, Entformungsschrägen fehlen, und die Zykluszeit steigt. Der vermeintliche Vorteil verpufft spätestens in der zweiten Fertigungsgeneration.
Generatives Design entfaltet seinen Wert erst, wenn Fertigungsverfahren, Losgröße und Lebenszyklus von Anfang an als Randbedingung im Algorithmus liegen. Das ist keine Softwarefrage, sondern eine Designentscheidung. In unserem Ansatz des Design for Manufacturing and Assembly gehören diese Randbedingungen in das Briefing, nicht in die Nachbearbeitung.
Die ökologische Perspektive verstärkt diesen Punkt. Wer Teile reduziert und Materialeinsatz optimiert, senkt Produktionskosten und CO₂-Emissionen gleichzeitig. Das ist genau die Logik, die auch die EU-Ökodesign-Verordnung einfordert. Wie sich das im Designprozess umsetzen lässt, haben wir im Artikel zum nachhaltigen Produktdesign und der ESPR ausgeführt. Für Hersteller heißt das konkret: Generatives Design ist kein Plug-in für den bestehenden Entwicklungsprozess. Es ist eine Methode, die in die Konzeptphase gehört, mit klarer Fertigungsstrategie, realistischen Lastannahmen und dokumentierten Zielwerten. Alles andere produziert schöne Renderings und teure Nachkorrekturen.
Was generatives Design nicht leistet
So weit die Möglichkeiten reichen: Generatives Design hat klare Grenzen, die in Verkaufsgesprächen selten benannt werden. Drei davon sind für Entscheider besonders relevant.
Algorithmen optimieren gegen definierte Ziele, sie setzen die Ziele nicht. Welches Produkt überhaupt entwickelt wird, welchen Markt es adressiert und welche Marke es repräsentiert, sind strategische Entscheidungen. Ein generatives Tool löst diese Fragen nicht, es setzt sie voraus. Wer mit unklarer Strategie in generatives Design einsteigt, bekommt optimierte Lösungen für das falsche Problem.
Genauso wenig kennt ein Algorithmus den Unterschied zwischen einem Bosch-Profi-Werkzeug und einem Parkside-Heimwerker-Gerät. Markenwerte, Haptik, visuelle Ruhe, Bedienlogik und emotionale Wirkung entstehen durch bewusste Designentscheidungen. Das lässt sich nicht in Parameter übersetzen, zumindest nicht vollständig. Wie stark Design über Markterfolg entscheidet, haben wir im Artikel Was ist Produktdesign ausgeführt.
Und schließlich: Der Algorithmus weiß nicht, dass euer Werkzeugbauer keine fünfachsige CNC-Fräse hat, oder dass euer Zulieferer beim Spritzgusswerkzeug auf Zwei-Platten-Systeme festgelegt ist. Jede Randbedingung, die im Briefing fehlt, fehlt im Ergebnis. Generatives Design ist keine Abkürzung um die Fertigungsplanung herum, es ist deren Verlängerung.
Wann sich welcher Ansatz lohnt
Die Wahl des richtigen Ansatzes hängt weniger vom Technologie-Trend ab als von der konkreten Projektsituation. Topologieoptimierung ist dann die richtige Wahl, wenn Gewichtseinsparung ein messbarer Produktvorteil ist und die Fertigung entsprechende Freiformen zulässt, also bei additiver Fertigung oder mehrachsiger CNC-Bearbeitung. Strukturell belastete Bauteile wie Halterungen, Konsolen oder Gelenke profitieren am stärksten.
Parametrisches Design lohnt sich, wenn eine Produktfamilie mit vielen Varianten geplant ist oder kundenindividuelle Anpassungen Teil des Geschäftsmodells sind. Auch komplexe Oberflächen mit Mustern oder Gitterstrukturen und regelbasierte Gestaltung, die wiederholt angewendet wird, sind klassische parametrische Anwendungsfälle. Das Mountain-King-Beispiel zeigt, wie sich daraus ein dauerhafter Vorteil ergibt: Einmal sauber aufgebaut, lässt sich das parametrische Modell auf andere Produkte der Serie übertragen.
KI-Bildgeneratoren spielen ihre Stärken in der Ideationsphase aus, wenn in kurzer Zeit viele Stilrichtungen exploriert werden sollen. Sie sind Werkzeuge für Moodboards und frühe Visualisierungen, nicht für die finale Konstruktion. Das setzt voraus, dass das Designteam sie bewusst als Inspirationsquelle einsetzt und der klassische Designprozess danach sauber weiterläuft.
Genauso wichtig ist die Erkenntnis, wann keiner der drei Ansätze der richtige ist:
- Wenn Markenbildung, Haptik und User Experience im Vordergrund stehen
- Wenn die Fertigungsstrategie noch nicht geklärt ist
- Wenn das Produkt primär über Bedienlogik und Interaktion funktioniert
- Wenn Strategie, Zielgruppe und Differenzierung noch offen sind
In vielen unserer Projekte liegt die größte Wirkung in der Kombination: KI-Tools in der Ideation, klassisches Industriedesign in der Formfindung, Topologieoptimierung für einzelne Strukturkomponenten, parametrische Ansätze für Variantenfamilien. Welche Kombination richtig ist, hängt vom Projekt ab, nicht vom Tool.
Fazit: Algorithmen designen mit, entscheiden aber nicht
Generatives Design ist mächtig, aber kein Autopilot. Die drei Technologien unter diesem Begriff adressieren verschiedene Phasen und Ziele im Entwicklungsprozess und müssen im Projekt sauber voneinander unterschieden werden. Der Wert entsteht nicht aus der Software selbst, sondern aus der richtigen Fragestellung, realistischen Randbedingungen und einer klaren Fertigungsstrategie.
Für Hersteller bedeutet das: Wer generatives Design einsetzt, sollte es als Teil eines integrierten Designprozesses verstehen, nicht als Abkürzung um die Designstrategie. Tools reduzieren Aufwand, sie ersetzen keine Entscheidungen. Die Kernfragen, welches Produkt für welchen Markt mit welcher Marke und welcher Fertigung entwickelt wird, bleiben menschliche Fragen.
Wenn ihr überlegt, wo generative Verfahren in eurer Produktentwicklung sinnvoll sind und wie sie mit eurer Fertigungsstrategie zusammenpassen, sprecht uns an. Wir ordnen Technologien nicht nach Tool-Logik ein, sondern nach dem, was euer Produkt am Markt leisten soll.
