Welches Potenzial haben Sprach- oder auch „Large Computational Engineering“ Modelle für die Open Source Hardware-Entwicklung? Und welche Möglichkeiten ergeben sich daraus für Reparierbarkeit und Unboxing von komplexen Designs? Im Beitrag behandeln wir diese Fragen und geben Tipps, was ihr in dem Kontext bei der Gestaltung eurer Open Hardware-Projekte beachten solltet.

Studierende zeigen: Engineering-Skills schlagen wildes AI-Prompting

Large Language ModelIe (LLMs) haben in den letzten Jahren große Fortschritte gemacht. Auch im Bereich der Hardware-Entwicklung hat sich einiges getan. Besonders interessant sind hierbei die Forschritte im Bereich rechnerunterstütztes Konstruieren bzw Computer-Aided Design (CAD). Mit CAD-Tools wird Hardware digital entwickelt und kann auch ersten Tests unterzogen werden. Sie ersetzen klassische technische Zeichnungen und bilden das Rückgrat von Open Source Hardware.

Was mittels generativen Modellen möglich ist, zeigte LEAP 71 im Juni 2024. In diesem Jahr zündete auf einem Prüfstand im britischen Westcott ein 3D-gedrucktes Raketentriebwerk, dessen Form kein Mensch gezeichnet hatte. Entworfen hatte es Noyron. Ende 2024 folgte ein deutlich komplexeres Aerospike-Triebwerk aus Kupfer. Beide Triebwerke funktionierten nach Angaben von LEAP 71 auf anhieb. Dabei nutzten sie keinen klassischen Chatbot. LEAP 71 nennt ihr Modell Noyron ein „Large Computational Engineering Model“, das Fachwissen, physikalische Modelle und Fertigungsregeln direkt in Code abbildet und daraus Geometrie, Fertigungsdaten und Leistungsprognosen erzeugt. Noyron selbst ist proprietär, steht aber auf einem offenen Fundament: Den Geometriekern PicoGK hatte LEAP 71 2023 unter der Apache-2.0-Lizenz veröffentlicht.

Während der Vorstoß von LEAP 71 viral ging und auf große Überraschung stoß, kam vor allem eine zentrale Frage auf: Wie wird diese Technologie die Hardware-Entwicklung verändern? Erste Antworten gaben die Ergebnisse der JARVIS Challenge 2026. In dessen Rahmen sollten 31 Studierende in sieben Teams in einem vierwöchigen Sprint ein kleines Strahltriebwerk entwerfen, fertigen und testen, mit sogenannter KI als wichtigstem Engineering-Partner und praktisch unbegrenztem Zugang zu aktuellen Sprachmodellen. Viele hatten vorher nie das Innere einer Gasturbine gesehen. Die Teams nutzten die Modelle, um Lehrbücher zusammenzufassen, sich in Konstruktionssoftware einzuarbeiten, Lieferanten zu finden und Designvarianten zu vergleichen. In der Phase der detaillierten CAD-Konstruktion stießen sie jedoch an Grenzen: Halluzinationen, Gefälligkeitsantworten und fehlendes physikalisches Verständnis kosteten Vertrauen und Zeit. Am schnellsten kam ein erfahrenes Team voran, das stark auf sogenannte KI setzte. Doch Gewonnen hat ein Team, das der KI skeptischer gegenüberstand, aber mehr Vorwissen zu Turbomaschinen mitbrachte. Das Fazit der Lehrenden: Sogenannte KI kann die Entwicklung sicherheitskritischer Hardware deutlich beschleunigen, das ingenieurtechnische Urteilsvermögen bleibt aber der entscheidende Unterschied. Und der eigentliche Engpass lag nicht im Entwurf, sondern in der Fertigung, wo persönliche Kontakte zu Zulieferern das Rennen machten.

Textbasiertes CAD-Design wird besser, vor allem in der Elektronik

Doch die Möglichkeiten LLM-basierter CAD-Skills schreitet schnell voran. Statt Geometrie direkt zu „malen“, schreiben Modelle Code für CadQuery, eine Python-Bibliothek für parametrisches CAD. Entscheidend ist, dass die Modelle in Feedbackschleifen agieren können, ähnlich der menschlichen Art zu gestalten. Ein Design wird also in erster Version Code basiert generiert, dann grafisch gerendert, vom Modell betrachtet und weiter Code basiert verfeinert. Ein Beispiele aus der Forschung ist Text-to-CadQuery, bei dem sechs offene Sprachmodelle unterschiedlicher Größe mit rund 170.000 Beispielen nachtrainiert wurden. Ein gleichnamiges Projekt vom MIT ging noch einen Schritt weiter und erzeugt CadQuery-Code aus Bildern. Das offene Modell übertraf dabei große kommerzielle Modelle und zeigte erste Anzeichen, auch mit echten Fotos zurechtzukommen.

In der Elektronik ist die Entwicklung schon weiter. Ein Übersichtsartikel von Alsaqer und Kolleg*innen wertet 35 Studien zum Einsatz von Sprachmodellen beim Chipdesign aus. Nachtrainierte, spezialisierte Modelle schneiden dort besser ab als allgemeine, und am besten funktionieren die Modelle im Zusammenspiel mit menschlicher Expertise. Dabei ist interessant, dass Sprachmodelle Hardware besser in Python beschreiben, als in der Hardwaresprache Verilog, weil es schlicht viel mehr offenen Python-Code gibt, aus dem sie lernen können. Offene Daten machen die Modelle also besser.

Was daraus für Open Source Hardware folgt

Bei proprietärer Hardware muss ein Sprachmodell raten, wie ein Gerät aufgebaut ist. Bei Open Source Hardware kann es nachlesen. Das ist ein struktureller Vorteil, und er eröffnet mindestens vier Möglichkeiten.

Open Hardware bedeutet vor allem: eine gute Dokumentation

LLMs können dabei helfen, Dokumentationen zu verbessern. Welche praktischen Potenziale möglich sind, zeigt eine Studie der TU Berlin von Chodankar, Colomb, Mies und anderen. Die Forschenden haben sieben Open-Hardware-Projekte, vom Beatmungsgerät MakAir bis zur Tastatur YAEMK, anhand einer Checkliste mit 88 Dokumentationsbestandteilen untersucht. Projektbeschreibung und Lizenz waren fast immer vorhanden, Stücklisten und CAD-Dateien meist auch, aber oft lückenhaft oder veraltet. Versionshistorien, Montageanleitungen und Testberichte fehlten am häufigsten, ebenso Sicherheits- und Wartungsdokumentation. Anschließend testeten sie ChatGPT und Gemini als Assistenten. Beim MakAir erkannte das Modell eine neu hinzugefügte CAD-Datei, aktualisierte Stückliste, Montageanleitung und Changelog und wies auf fehlende Zeichnungen und Testberichte hin. Bei einem Materialwechsel von PLA auf PETG zog es die Dokumentation nach, konnte aber weder die technische Begründung liefern noch Druckeinstellungen und Toleranzen verlässlich beurteilen. Bei der Übersetzung eines Defibrillator-Projekts ins Deutsche haperte es an regulatorischer und sicherheitskritischer Fachsprache. Die Lehre: Sprachmodelle nehmen Routinearbeit ab und halten Dateien konsistent, die fachliche Prüfung bleibt Aufgabe von Menschen.

Neben dem Aktuellhalten von Dokumentationsanteilen ist die Zusammenbauanleitung eine besondere Hürde. Bei der Bebilderung von Montageanleitungen sollten Projekte einen naheliegenden Fehler vermeiden: sich Illustrationen von Bildgeneratoren malen zu lassen. Die sehen plausibel aus, zeigen aber oft Teile, die es so nicht gibt. Besser ist es, das Sprachmodell als Regie einzusetzen, die echte Ansichten aus dem CAD-Modell erzeugt: Explosionsdarstellungen, Schnitte, Detailansichten einzelner Montageschritte. FreeCAD lässt sich dafür über Python skripten. Neue Werkzeuge wie das quelloffene CAD-Programm SolidCraft geben Sprachmodellen über das Model Context Protocol (MCP) direkt Werkzeuge an die Hand, um Modelle zu vermessen und aus beliebigen Perspektiven zu rendern. Läuft so ein Skript bei jeder Änderung automatisch mit, veralten die Bilder nicht mehr.

Auch Stücklisten profitieren. Ein Sprachmodell kann dabei helfen, eine Teileliste auf lokal verfügbare Normteile umzustellen, Einheiten umzurechnen oder Bezugsquellen zu ergänzen. Außerdem öffnen Übersetzungen Dokumentationen für neue Communities.

Mitmachen mit wenig CAD-Expertise

Die vielleicht größte Hürde für Beiträge zu Open Hardware sind CAD-Skills. Wer eine gute Idee für eine Anpassung, aber nie mit FreeCAD gearbeitet hat, bleibt oft außen vor. Sprachmodelle können diese Schwelle auf mehreren Wegen senken.

Der Einfachste ist die Parameteränderung. In einem parametrischen Modell hängen Maße voneinander ab. Wer vor Ort nur an Teile mit etwas anderen Maßen als im Originaldesign kommt, könnte das künftig mit der Hilfe von Agenten ändern. Für FreeCAD gibt es dafür bereits mehrere MCP-Brücken aus der Community, etwa von neka-nat oder blwfish. SolidCraft bringt eine solche Schnittstelle von Haus aus mit, samt Anleitungen („Agent Skills“), die Sprachmodellen typische Arbeitsabläufe und Fallstricke erklären.

Der zweite Weg ist Code-CAD. Bauteile in CadQuery oder OpenSCAD sind textbasiert. Ein Sprachmodell kann sie aus einer Beschreibung erzeugen, und Menschen können sie lesen, kommentieren und im Repository versionieren wie Software. In der Studie Text-to-CadQuery wurden sechs offene Sprachmodelle unterschiedlicher Größe mit rund 170.000 Beispielen einfacher Bauteile nachtrainiert. Das Modell bekam die Textbeschreibung eines Bauteils und schrieb daraus CadQuery-Code. Die Beschreibungen stammten aus dem Datensatz Text2CAD und reichen von groben Formbeschreibungen bis zu detaillierten Anweisungen mit Maßen. Der Code wurde ausgeführt, und das entstandene 3D-Modell wurde gerendert. Dann bewertete ein anderes KI-Modell das Ergebnis: Gemini 2.0 Flash bekam das Bild des erzeugten Teils und das Bild des Originalteils und wurde gefragt, ob beide dasselbe 3D-Objekt zeigen. Der Wert ist der Anteil der Fälle, in denen Gemini mit Ja antwortete. Beim besten Modell hielt Gemini das erzeugte Teil beim Bildvergleich in 69,3 Prozent der Fälle für formgleich mit dem Original. Ob die Maße stimmen, wurde allerdings nicht geprüft.

Der dritte Weg betrifft Beiträge jenseits der Konstruktion: Testberichte strukturieren, Fehlerbeschreibungen aus der Werkstatt in brauchbare Issues übersetzen, Fotos mit aussagekräftigen Beschreibungen versehen. Gerade wer weder programmiert noch konstruiert, kann so sichtbar beitragen.

Die JARVIS Challenge mahnt allerdings zur Nüchternheit: Erfahrung wirkt als Multiplikator, nicht als Nebensache. Und die Softwarewelt zeigt, was auf Maintainer zukommen kann. Daniel Stenberg, Hauptentwickler von curl, hat schon 2024 und erneut 2025 beschrieben, wie KI-generierte, frei erfundene Sicherheitsmeldungen sein kleines Team überlasteten. Inzwischen kommen dort auch viele gute, KI-gestützte Meldungen an – so viele, dass die Kapazität der Maintainer selbst zum Engpass wird, wie The New Stack von seinem FOSDEM-Vortrag berichtet. Open-Hardware-Projekte sollten deshalb früh klare Regeln für KI-gestützte Beiträge festlegen.

Mainstreaming Open Hardware: wie technische Laien abgeholt werden

Der Reparaturassistent FixBot von iFixit stützt sich auf die über Jahre gewachsene Reparaturbibliothek der Plattform und hilft per Chat, Foto oder Sprache bei Diagnose, Teilesuche und Anleitung. iFixit arbeitet dabei mit gesammeltem Reparaturwissen über meist proprietäre Geräte. Open Source Hardware kann diese Möglichkeiten ausweiten, indem Designs zur Verfügung stehen. Denn ein offenes Design heißt auch: Ein Sprachmodell kann Laien ein Gerät anhand der echten Unterlagen erklären, statt aus allgemeinem Wissen zu raten. Beim durch den Prototype Fund Hardware geförderten Projekt windkit bedeutet das beispielsweise: Wer weiß, dass der Generator aus zwei Magnetscheiben und einem in Harz gegossenen Stator besteht, kann bei Schleifgeräuschen gezielt den Luftspalt prüfen oder bei Leistungsverlust die Wicklungswiderstände messen und vergleichen. Mit einem Werkzeug wie SolidCraft könnte ein Agent zusätzlich das Sollmaß direkt im CAD-Modell messen und eine Schnittansicht rendern, mit der man den eigenen Messwert vergleicht. So können anspruchsvollere Reparaturen selbstständig durchgeführt werden, ohne selbst ein CAD-Tool beherrschen zu müssen.

Ersatzteile mit Foto, Messschieber und Sprachmodell generieren?

Der Sockel der Akku-Fahrradleuchte bricht. Doch Ersatz gibt es nicht, aber die Leuchte funktioniert noch. Mit Fotos aus mehreren Perspektiven, ein paar Maßen vom Messschieber und einem Sprachmodell könnte sich in Zukunft ein druckbares Ersatzteil erstellen lassen, auch ohne CAD-Kenntnisse. Das Modell schreibt ein parametrisches Skript, in dem die gemessenen Maße als benannte Parameter stehen.

Das Potenzial ist messbar. Forschende der TU Delft schätzen auf Basis der Open Repair Database, dass 7,5 bis 29 Prozent der Geräte, die in Repair-Cafés bisher nicht repariert werden konnten, mit 3D-gedruckten Ersatzteilen zu retten wären. Adrie van Oudheusden hat das Thema in seiner Dissertation vertieft. Die Bild-zu-CAD-Forschung vom MIT zeigt, dass Sprachmodelle aus Fotos bearbeitbaren CAD-Code erzeugen können, wenn auch bisher vor allem für einfache Formen.

Wie Open Hardware gestaltet sein sollte, damit Mensch und Maschine sie verstehen

Allgemein gilt für Open Source Hardware-Dokumentationen: Fast alles, was Sprachmodellen hilft, hilft auch Menschen.

FreeCAD als Basis: eine kanonische Quelle festlegen

Ein Projekt sollte festlegen, welche Dateien die maßgebliche Quelle sind. Das soll verhindern, dass z.B. durch SolidCraft Nebenschauplätze in anderen Dateiformaten entstehen. Alles andere sollte als abgeleitete Formate behandelt werden. Wir empfehlen FreeCAD als Basis. Es ist offen, etabliert und in vielen Werkstätten bekannt, lässt sich vollständig über Python skripten und hat seit Version 1.0 eine integrierte Baugruppenfunktion.
Neue Werkzeuge wie SolidCraft, die FreeCAD- und STEP-Dateien importieren und sich gut von Agenten steuern lassen, sind als Ergänzung zum Untersuchen und Erklären wertvoll – die Quelle sollte trotzdem eine bleiben. Auch innerhalb von FreeCAD lohnt es sich, nicht auf Forks oder seltene Erweiterungen zu setzen. Sie erschweren allen den Einstieg, die das Standardprogramm nutzen.

Die Konstruktionsabsicht aufschreiben

Kein Dateiformat transportiert, warum ein Maß so ist, wie es ist. Deshalb sollten Projekte kritische Maße und Toleranzen, Sollwerte für Messungen und die Gründe für Designentscheidungen als Text dokumentieren. Ein Satz wie „Der Luftspalt zwischen Magnetscheibe und Stator ist kritisch: zu klein, und der Rotor schleift, zu groß, und die Leistung sinkt“ hilft einem Menschen, ein Teil in jedem beliebigen Programm sinnvoll nachzubauen. Und er erlaubt einem Sprachmodell, Fragen zu beantworten, ohne die CAD-Datei öffnen zu müssen.

Wo es passt, sind textbasierte Formate ein Gewinn: Code-CAD wie CadQuery oder OpenSCAD für einfache Teile, KiCad für Elektronik, Stücklisten als CSV statt als Bild in einer PDF-Datei.

Einstiegspunkte für Maschinen: llms.txt und AGENTS.md

Die llms.txt ist ein Vorschlag von Jeremy Howard. Es handelt sich um eine Markdown-Datei im Hauptverzeichnis, die kurz erklärt, worum es im Projekt geht. Außerdem verlinkt sie die wichtigsten Dokumente. Ergänzend hat sich in vielen Software-Repositories eine AGENTS.md etabliert. Das ist eine Datei, die sogenannten KI-Agenten erklärt, wie das Projekt aufgebaut ist, welche Regeln gelten und was sie nicht anfassen sollen. SolidCraft geht noch weiter und liefert eigene Anleitungen für Agenten mit. Open-Hardware-Projekte könnten auf dieselbe Weise beschreiben, wie man ihr Gerät diagnostiziert, welche Teile sicherheitskritisch sind und welche Änderungen ein Review brauchen.

Auf bestehenden Standards aufbauen

Die DIN SPEC 3105 legt fest, welche technische Dokumentation Open Source Hardware braucht. Das Datenmodell Open Know-How der Internet of Production Alliance beschreibt Hardware-Projekte mit maschinenlesbaren Metadaten. Unser Hardware Documentation Guide bietet eine Vorlage, erste Schritte zu gehen. Und Nadica Miljković, Ana Trisovic und Limor Peer haben vorgeschlagen, die FAIR-Prinzipien – auffindbar, zugänglich, interoperabel, wiederverwendbar – auf Open Hardware zu übertragen. Keiner dieser Standards wurde für Sprachmodelle geschrieben, aber zusammen beschreiben sie ziemlich genau, was eine Dokumentation auch für Maschinen gut nutzbar macht.

Fazit: Offenheit ist ein Hebel

Sprachmodelle machen Open Source Hardware nicht automatisch besser. Aber sie verstärken, was schon da ist: Gute, offene Dokumentation wird durch Sprachmodelle für viel mehr Menschen nutzbar, lückenhafte Dokumentation bleibt dagegen lückenhaft. Aber sie kann mit geringeren zeitlichen Ressourcen aufgearbeitet werden. Außerdem senken LLMs potenziell die Hürde, CAD mitzugestalten. Beispielsweise können Reparateure bald 3D-druckbare Ersatzteile leichter selbst herstellen. Abzuwägen bleibt hier allerdings der Energieverbrauch, der für den Designprozess benötigt wird. Lokale Modelle, die mit erneuerbarer Energie betrieben werden, können hier die Bilanz verbessern. Die JARVIS Challenge hat allerdings gezeigt, dass Engineering-Erfahrung und Urteilsvermögen der entscheidende Faktor bleiben. Wenn die vorhanden sind, kann Hardware-Entwicklung stark beschleunigt werden.