Emmi AI ist ein Linzer KI-Labor für Physik-Simulation, das Bauteile virtuell testet statt im Labor. Mistral übernahm das Unternehmen im Mai 2026 für eine Rekord-Summe. Im Interview mit Everlast AI ordnet Gründer Prof. Dr. Johannes Brandstetter den Umbruch ein. KI im Ingenieurwesen wird nach seiner Einschätzung das nächste große Feld nach dem Coding.
Was KI im Ingenieurwesen im Produkt-Zyklus verändert
Jedes Produkt durchläuft drei Phasen. Zuerst das Design, dann der Test, am Ende das Product Life Cycle Management. Design und Test wechseln sich ab, weil jeder Test ein neues Design erzwingt. Seit rund 50 Jahren verlagern Firmen diese beiden Phasen auf den Computer.
Genau dort setzt KI im Ingenieurwesen an. Agenten übernehmen die Design-Vorschläge. Physik-Modelle übernehmen die Bewertung. Emmi AI startete bei der Bewertung und deckt heute alle Bausteine ab.
Für Unternehmen heißt das: Entwicklung wird schneller, nicht nur bequemer. Brandstetter erwartet neue Geräte zehn- bis hundertmal schneller. Wer die Abläufe nicht anpasst, verliert den Anschluss an Firmen, die es tun.
Physik-Modelle sind keine Sprach-Modelle
Ein Sprach-Modell bildet alles ab, was sich als Sequenz beschreiben lässt. Klicks, Aktionen am Computer, auch CAD-Befehle. Deshalb funktioniert Text-zu-CAD heute schon gut. Auch das Meshing folgt einer Sequenz und passt in diese Welt.
Die Physik-Simulation dagegen rechnet auf einer riesigen Matrix über das gesamte Mesh. Das ist eine andere Klasse von Aufgabe. Solche Rechnungen brauchen eigene KI-Modelle, trainiert auf neuen Daten mit neuen Strukturen.
Einen festen Namen hat diese Klasse noch nicht. Die Community spricht von Physics AI, von Surrogates oder von Foundation Models für Physik. Von echten Universal-Modellen ist das Feld weit entfernt. Ob ein Modell für Halbleiter auch Verformungen im Auto beherrscht, ist offen.
Von Crash-Tests bis zur Kühlung im Rechen-Zentrum
Die Liste der Anwendungen ist lang. Im Automotive-Bereich geht es um Luft-Widerstand, Lärm und das Verhalten beim Aufprall. In der Luftfahrt um Strömung und Struktur. Dazu kommt alles, was mit Wärme zu tun hat.
Brandstetter nennt Halbleiter, große Strom-Wandler, Wärme in Städten und die Kühlung der Rechen-Zentren. Auch Subsurface Modeling, also alles unter der Erde, zählt dazu. Ähnliche Fragen greifen wir in unserer Analyse zu KI im Maschinenbau auf.
Ein Beispiel zeigt den Maßstab. Eine 3D-Strömungs-Simulation für ein Formel-1-Auto braucht bis zu eine Milliarde Mesh-Zellen. Modell-Architekturen für solche Auflösungen, gab es vor drei Jahren schlicht nicht.
Wie viel Zeit KI im Ingenieurwesen spart
Brandstetter trennt drei Zeit-Blöcke. Der Solver läuft oft ein bis zwei Tage. Dazu kommt die Zeit im Tooling, also das Prüfen, ob ein Solver sauber konvergiert ist. Der dritte Block sind die vielen Läufe pro Bauteil.
Trainierte Modelle drücken den ersten Block auf Sekunden und Minuten. Der größte Gewinn entsteht dort, wo Firmen eine Simulation 10.000 bis 100.000 mal laufen lassen. Crash-Tests sind der klarste Fall.
Der Aufwand verschwindet nicht, er wandert. Aus Solver-Zeit wird Trainings-Zeit und Daten-Aufwand. Wer hier mehr hineinsteckt, holt später mehr heraus.
Der Engpass sind die Trainings-Daten
Bei Sprach-Modellen ist die Datenquelle klar. Internet, Bücher, Code. Bei Physik-Modellen erzeugt das Labor die Daten selbst, per Simulation. Skalieren lässt sich das über GPUs, über mehr Läufe und über mehr Köpfe.
Die harte Frage lautet anders: welche Daten überhaupt. Jede Simulation vereinfacht die Realität. Verschiedene Annahmen liefern verschiedene Physik. Ein Modell, das beides sieht, lernt einen Durchschnitt und versteht am Ende keine der beiden Welten.
Diese Forschungs-Frage bleibt offen. In einigen Bereichen hält Brandstetter sie für geknackt, dort zählt nur noch Compute. In anderen kostet ein Datensatz auf Industrie-Niveau so viel, dass er heute nicht finanzierbar ist. Wie schnell KI-Agenten an solchen Rechen-Problemen arbeiten, zeigt unser Beitrag zum Navier-Stokes-Beweis.
Europa im KI-Rennen: zwei Jahre Frist
Mistral-Chef Arthur Mensch warnte im August, Europa habe noch zwei Jahre. Danach drohe der Status eines Vasallen-Staats der USA. Brandstetter teilt die Diagnose für seinen Bereich.
Die Zahlen stützen ihn. Die EU kündigte 30 Milliarden Euro für Compute an. US-Hyperscaler geben rund 700 bis 800 Milliarden pro Jahr aus. Europa investiere zu wenig, sagt er, und nicht das, was die USA und China aufwenden.
Die Hoffnung auf bessere Architekturen statt mehr Rechen-Leistung nennt er schlicht falsch. Alle Labore bauen gute Modelle. Der Vorsprung entsteht über das Verständnis, welche Probleme sich überhaupt lohnen.
Zugleich sieht er eine echte Chance. Europa ist ein starker Ingenieurs-Kontinent, besonders im deutschen Sprachraum. Ingenieurwesen endet nicht am Bildschirm, es endet in der Fertigung. Genau diese Verbindung fehlt reinen Software-Laboren.
Agentic Engineering: der konkrete Einstieg für Unternehmen
Brandstetter nennt das Feld Agentic Engineering. In ein bis zwei Jahren erwartet er dort dasselbe Tempo wie heute im Coding. Mit allen Vor- und Nachteilen: mehr Output, längere Ergebnisse, schwerere Reviews.
Ein Kochrezept gibt es nicht. Der Bedarf der Mistral-Kunden ist sehr verschieden. Sein Rat an die Führungs-Ebene: gut informieren, dann entscheiden und Budget freigeben. Der teuerste Weg sei, nichts zu tun.
Aus unserer Beratungs-Praxis deckt sich das. Ein kurzes Assessment klärt zuerst, wo Simulation und Design die meiste Zeit fressen. Danach folgt ein Pilot in genau diesem Bereich.
Fazit: KI im Ingenieurwesen entscheidet über Europas Rolle
Der Verkauf von Emmi AI an Mistral ist mehr als eine Rekord-Meldung aus Österreich. Er zeigt, wo das nächste große Feld liegt. KI im Ingenieurwesen verbindet Sprach-Modelle, Physik-Modelle und echten Zugang zur Industrie.
Brandstetter sieht genau diese drei Pfeiler bei Mistral vereint. Ein viertes Element wären eigene Test-Anlagen. Für europäische Firmen ist das die beste Chance, in einem KI-Feld vorn zu liegen.
Die nächsten 18 Monate entscheiden. Bis dahin prüft Brandstetter drei große Vermutungen, die er noch nicht öffentlich macht. Der Ausgang zeigt, wie weit Physik-Modelle tatsächlich tragen.
Häufige Fragen
Was macht Emmi AI?
Emmi AI baut KI-Modelle für Physik-Simulation. Das Labor startete Ende 2024 in Linz und wurde im Mai 2026 von Mistral übernommen. Die Modelle ersetzen keine Numerik, sie bauen darauf auf. Aus teuren Simulations-Läufen entstehen Modelle, die Ergebnisse in Sekunden liefern. Die Schwerpunkte liegen bei Struktur-Mechanik, Strömung, Wärme und Halbleitern. Für Unternehmen bedeutet das kürzere Design-Schleifen bei gleicher Genauigkeit.
Was sind Physik-Modelle im Ingenieurwesen?
Physik-Modelle sind KI-Modelle, die das Verhalten von Bauteilen berechnen statt Text zu erzeugen. Die Community nennt sie Physics AI, Surrogates oder Foundation Models für Physik. Gerechnet wird auf großen Meshes mit Millionen bis Milliarden Zellen. Anders als Sprach-Modelle arbeiten sie auf einer riesigen Matrix, nicht auf einer Sequenz. Deshalb brauchen diese Modelle eigene Bauweisen und eigens erzeugte Trainings-Daten.
Wie viel Zeit spart KI im Ingenieurwesen?
Klassische Solver laufen oft ein bis zwei Tage pro Simulation. Trainierte Modelle drücken diesen Block auf Sekunden und Minuten. Den größten Hebel bringen Aufgaben mit sehr vielen Läufen, etwa Crash-Tests mit 10.000 bis 100.000 Simulationen. Dazu kommt Zeit im Tooling und bei der Analyse. Der Aufwand verschwindet nicht ganz, er wandert in Training und Daten-Erzeugung.
Warum hat Mistral Emmi AI gekauft?
Mistral verfolgt einen klaren B2B-Kurs und arbeitet mit ASML, Airbus und BMW. Diese Kunden fragen nach echten Durchbrüchen im Ingenieurwesen. Genau dieses Physik- und Simulations-Know-how fehlte dem Labor. Emmi AI wiederum hatte keine eigenen großen Sprach-Modelle für Agenten. Brandstetter beschreibt den Deal deshalb als Handschlag zweier Seiten, die sich gegenseitig fehlten.
Wo steht Europa im KI-Rennen?
Die EU kündigte 30 Milliarden Euro für Compute an. US-Hyperscaler geben pro Jahr rund 700 bis 800 Milliarden aus. Brandstetter nennt die europäische Lücke deutlich und warnt vor der Hoffnung, bessere Architekturen könnten fehlende Rechen-Leistung ersetzen. Seine Chance sieht er im Ingenieurwesen selbst: Europa hat Fertigung, Labore und Test-Anlagen. Diese Verbindung fehlt reinen Software-Laboren.
.webp)
.png)
