Generatives Design sucht Formen. Entwerfen müssen wir trotzdem
- Benjamin Metzig
- vor 1 Tag
- 7 Min. Lesezeit
Wer heute eine generative Designstudie sieht, sieht oft zuerst das Spektakel: hunderte Varianten eines Bauteils, Grundrisses oder Tragwerks, sauber nebeneinander auf dem Bildschirm, als hätte die Software in wenigen Minuten getan, wofür früher ein ganzes Team gebraucht wurde. Daraus entsteht schnell der Satz, der ebenso eingängig wie irreführend ist: Die Maschine entwirft jetzt.
Tatsächlich beginnt generatives Design viel früher und viel nüchterner. Bevor der Rechner überhaupt eine Form vorschlagen kann, muss jemand festlegen, was als gute Lösung gelten soll, welche Lasten wirken, welche Fertigung möglich ist, welche Kosten zählen, welche Normen nicht verletzt werden dürfen und welche Kompromisse akzeptabel sind. Der Rechner produziert also keine Autorenschaft. Er arbeitet einen Suchraum ab, den Menschen definiert haben.
Kernaussagen
Generatives Design erzeugt keine Ideen aus dem Nichts, sondern durchsucht einen zuvor festgelegten Raum aus Zielen, Nebenbedingungen und Bewertungsmaßstäben.
In der Technik funktioniert das besonders stark, wenn Größen wie Masse, Steifigkeit, Belastung oder Herstellbarkeit klar formalisiert werden können.
In der Architektur reicht das nicht aus: Orientierung, Atmosphäre, soziale Nutzung, Fairness und kultureller Kontext lassen sich nur teilweise in Metriken übersetzen.
Je leistungsfähiger die Algorithmen werden, desto wichtiger wird der menschliche Anteil am Anfang des Prozesses: Zielsetzung, Gewichtung, Ausschlussregeln und Verantwortung.
Die entscheidende Frage lautet nicht, ob Software Formen finden kann, sondern wer festlegt, was als wünschenswerte Form gelten darf.
Der Rechner beginnt nicht mit Inspiration, sondern mit Bedingungen
Schon in industriellen Werkzeugen ist der Ablauf bemerkenswert unpoetisch. In der Autodesk-Dokumentation zu Designkriterien im generativen Design stehen nicht Kreativität oder Stil am Anfang, sondern Ziele wie minimale Masse, maximale Steifigkeit, Sicherheitsfaktor, Verformung und Fertigungsverfahren. Das ist keine Nebensache. Es ist der eigentliche Kern. Generatives Design ist keine Maschine, die frei entwirft, sondern eine Rechenumgebung, die auf präzise gestellte Optimierungs- und Suchprobleme reagiert.
Diese Logik ist älter als der aktuelle KI-Hype. In ihrem Architekturbeitrag A Framework for Generating and Evolving Building Designs beschrieben Patrick H. T. Janssen, John H. Frazer und Ming-Xi Tang schon 2005 einen Prozess in zwei Schritten: Zuerst entwickelt das Entwurfsteam den identifizierbaren Charakter und die Regeln des zu erzeugenden Systems, erst danach lässt es Varianten generieren und evolvieren. Der kreative Akt verschwindet also nicht. Er verlagert sich. Statt eine einzelne Form direkt zu zeichnen, baut man die Bedingungen, unter denen viele Formen entstehen können.
Damit wird auch klar, warum generatives Design so schnell überschätzt wird. Wer nur das Ergebnis sieht, verwechselt Variantenfülle mit Urteilsfähigkeit. Ein Rechner kann tausend formal zulässige Vorschläge hervorbringen. Er kann aber nicht aus sich heraus entscheiden, ob Gewichtseinsparung wichtiger ist als Reparierbarkeit, ob Tageslicht mehr zählt als thermische Stabilität oder ob eine ungewöhnliche Form räumlich einladend oder bloß spektakulär wirkt.
In der Architektur ist das Ziel nie nur Geometrie
In Architektur und Städtebau wird diese Grenze besonders sichtbar. Die große systematische Übersicht Generative urban design gliedert das Feld in drei Stufen: Problemformulierung, Variantenbildung und Entscheidung. Das ist eine hilfreiche Ordnung, weil sie den häufigsten Denkfehler korrigiert. Nicht die Variantenbildung ist der Anfang, sondern die Formulierung dessen, was überhaupt gelöst werden soll und auf welches Leistungsniveau die Lösung zielen muss. Gerade dort sitzen in Architektur fast immer mehrere Akteure gleichzeitig mit am Tisch: Nutzer, Betreiber, Behörden, Investoren, Planerinnen, Nachbarschaft, Brandschutz, Verkehr, Klima.
Deshalb ist die architektonische Frage selten nur: Welche Form ist effizient? Sie lautet eher: Welche Form hält zugleich Nutzung, Orientierung, Sicherheit, Klima, Baukosten, Stadtbezug und Würde zusammen? Wer einmal gesehen hat, wie stark Räume Verhalten lenken, erkennt schnell, warum ein Beitrag wie U-Bahn-Stationen: Wie Architektur Orientierung, Licht und Sicherheit baut nicht einfach in einer Geometrieoptimierung aufgeht. Gute Räume funktionieren nicht nur statisch, sondern auch lesend, führend und sozial.
Das zeigt auch die aktuelle Übersicht Generative design for architectural spatial layouts. Sie beschreibt das Feld der Layout-Generierung nicht als geradlinigen Marsch Richtung Vollautomatik, sondern als technisches Gemisch aus wissensgetriebenen Regeln, datengetriebenen Modellen und kombinierbaren Verfahren. Genau das ist plausibel: Ein Grundriss ist kein bloßes Puzzle aus Flächen, sondern eine räumliche Grammatik aus Nähe, Trennung, Licht, Wegen, Lärm, Blicken und Nutzungslogik. Selbst wenn Algorithmen Korridore verkürzen und Belichtungswerte verbessern, sagen diese Kennzahlen noch nicht, ob ein Raum würdig, ruhig, großzügig oder bloß effizient wirkt.
Besonders aufschlussreich ist hier die Untersuchung Survey-Based Simulation of User Satisfaction for Generative Design. Dort wird gerade nicht nur algorithmische Effizienz betrachtet, sondern es werden Nutzerpräferenzen zu Tageslicht, Ausblick und Ablenkung in die Flächenplanung einbezogen. Die Pointe liegt weniger in der konkreten Methodik als in der Einsicht dahinter: Wenn man bessere Räume erzeugen will, reicht es nicht, nur Adjazenzen und Quadratmeter zu optimieren. Man muss überhaupt erst messen lernen, was Menschen in Räumen brauchen und was sie als angenehm, belastend oder produktiv erleben.
An dieser Stelle wird generatives Design politischer, als sein neutraler Klang vermuten lässt. Denn jede Messgröße bevorzugt bestimmte Nutzer und Erfahrungen. Der Beitrag Der Durchschnitt hat keinen Körper zeigt für ein anderes Feld sehr klar, was passiert, wenn vermeintlich objektive Normdaten reale Vielfalt ausblenden. Für Architektur gilt dasselbe. Ein System, das nur durchschnittliche Wege, typische Körper oder standardisierte Büroabläufe modelliert, produziert nicht einfach neutrale Effizienz. Es schreibt stillschweigend mit, wer im Raum als Maßstab gilt.
In der Technik zeigt sich die Stärke des Verfahrens am klarsten
Gerade weil Architektur so viele schwer formalisierbare Ziele enthält, sieht man die eigentliche Stärke generativen Designs oft am deutlichsten in der Technik. Dort sind Lastfälle, Materialeigenschaften, Fertigungsprozesse und Leistungsgrößen häufig präziser anzugeben. Wenn ein Bauteil möglichst leicht und zugleich steif sein soll, wenn Spannungsspitzen begrenzt oder additive Fertigung gezielt ausgenutzt werden sollen, dann kann ein Algorithmus enorme Suchräume sehr viel gründlicher durchmustern als ein Mensch.
Darum passen generatives Design und Topologieoptimierung so gut zu Themen wie Leichtbau. Die eigentliche Leistung liegt nicht darin, dass der Rechner eine "schöne" Form erfindet, sondern dass er Material nur dort stehen lässt, wo es unter den gesetzten Bedingungen wirklich trägt. Das Ergebnis wirkt oft organisch oder überraschend, ist aber keine spontane Maschinenästhetik. Es ist die sichtbare Spur einer mathematischen Priorität.
Selbst in diesem besser formalisierbaren Feld bleibt der Mensch aber im Verfahren. Das zeigt HiTop 2.0, eine Arbeit aus dem Umfeld des MIT. Dort werden Optimierungsläufe nicht einfach blind akzeptiert; Ingenieurinnen und Ingenieure können gezielt Regionen markieren und menschliche Präferenzen in die weitere Optimierung einspeisen, etwa wenn es um Spannungen, Eigenwerte, Energieabsorption oder Merkmalsgrößen geht. Das ist ein wichtiger Befund, weil er den Mythos der reinen Automatik korrigiert. Selbst dort, wo die Physik klar und die Zielfunktion streng ist, bleibt Erfahrung relevant: Wo braucht das Teil Reserve? Welche Form ist prüfbar? Welche Geometrie ist montierbar, inspizierbar, toleranzrobust?
Die Technikseite lehrt also zwei Dinge zugleich. Erstens: Generatives Design ist dann besonders stark, wenn sich Leistung als formal prüfbarer Zielkonflikt beschreiben lässt. Zweitens: Auch dann endet Entwurf nicht bei der ersten mathematisch starken Lösung, sondern bei der Frage, welche dieser Lösungen unter realen Bedingungen wirklich brauchbar ist.
Die eigentliche Entwurfsarbeit verschiebt sich nach vorn
Damit verändert sich der Beruf nicht durch Verdampfung, sondern durch Schwerpunktverlagerung. Entwerfen heißt dann weniger, eine einzige plausible Form zu produzieren, und mehr, das Suchproblem verantwortungsvoll zu bauen: Welche Ziele werden überhaupt zugelassen? Welche Randbedingungen sind hart, welche weich? Welche Daten sind belastbar? Welche Nutzergruppen fehlen? Welche Risiken werden von der Zielfunktion gar nicht gesehen?
Das ist nicht bloß eine philosophische Nachbemerkung, sondern eine technische Schwachstelle heutiger Systeme. Im Beitrag Human-Centered Generative Design Framework argumentieren H. Onan Demirel und Kolleginnen explizit, dass gegenwärtige generative Werkzeuge menschliche Faktoren oft zu spät integrieren. Die Folge sind partielle Lösungen, bei denen Ergonomie, Komfort oder Nutzbarkeit erst nachträglich in teure Korrekturschleifen geraten. Übertragen auf Architektur und Technik heißt das: Wer Ziele zu schmal definiert, bekommt nicht neutrale Präzision, sondern präzise Einseitigkeit.
Genau deshalb ist die Machtfrage im generativen Design selten dort zu finden, wo die buntesten Varianten erscheinen. Sie steckt in den Vorentscheidungen. Wer den Suchraum definiert, entscheidet häufig mehr als derjenige, der später aus fünfzig brauchbaren Optionen eine auswählt. Darum ist es auch sinnvoll, generative Systeme nicht nur auf Leistungsgewinne, sondern wie in KI-Audits sind noch kein Entwarnungssiegel auf Prüfpfade, blinde Flecken und Governance hin zu betrachten. Ein formal starker Output ist noch kein Garant dafür, dass die zugrunde liegenden Kriterien gut gewählt waren.
Hinzu kommt: Der algorithmische Entwurf steht nie allein. Er hängt an Simulationsmodellen, BIM-Daten, Materialannahmen, Fertigungswissen und später oft an digitalen Rückkopplungen aus Bau und Betrieb. Wer das für eine reine Formfrage hält, unterschätzt die Länge der Kette. Ein Text wie Wenn der Rohbau zurückmeldet zeigt, wie stark sich Entwurf, Ausführung und Kontrolle inzwischen gegenseitig informieren. Generatives Design ist darin ein mächtiges Werkzeug, aber nur ein Abschnitt in einer viel größeren Infrastruktur des Entscheidens.
Der Entwurf verschwindet nicht. Er wird anspruchsvoller
Die größte Täuschung des generativen Designs besteht vielleicht darin, dass seine spektakulärste Leistung visuell ist. Wir sehen plötzlich sehr viele Formen und glauben deshalb, der kreative Kern liege in ihrer Produktion. In Wirklichkeit verschiebt sich der anspruchsvollste Teil nach vorne und nach oben: in die Definition von Zielen, in die Wahl der Bewertungslogik, in die Übersetzung diffuser menschlicher Bedürfnisse in brauchbare Kriterien und in die Verantwortung dafür, welche Welt ein Optimierer stillschweigend bevorzugt.
Für die Technik ist das eine gute Nachricht. Dort können Algorithmen enorme Räume schneller, systematischer und oft auch besser absuchen als Menschen. Für die Architektur ist es eine ernüchternde und produktive Nachricht zugleich. Generative Verfahren können helfen, Varianten sichtbar zu machen, Konflikte früher offenzulegen und bestimmte Leistungsfragen schärfer zu prüfen. Aber sie nehmen niemandem die Aufgabe ab, zu entscheiden, was ein guter Raum, ein gerechtes Angebot oder ein zum Kontext passender Bau überhaupt sein soll.
Generatives Design sucht also nicht nach Wahrheit, sondern nach Lösungen innerhalb einer gesetzten Wahrheit. Genau deshalb bleibt Entwerfen menschlich. Nicht, weil Menschen zwangsläufig die fantasievolleren Formen zeichnen, sondern weil sie festlegen müssen, welche Ziele, welche Ausschlüsse und welche Kompromisse in einer gebauten oder technischen Welt verantwortbar sind.
Autorenprofil
Benjamin Metzig ist Gründer, Autor und redaktionell Verantwortlicher von Wissenschaftswelle.de. Wissenschaftswelle ist ein persönlich geführtes redaktionelles Wissensprojekt, das komplexe Themen aus unterschiedlichen Fachbereichen sorgfältig recherchiert, strukturiert und verständlich aufbereitet. Moderne Recherche-, Analyse- und KI-Werkzeuge dienen dabei als Unterstützung, während Auswahl, Einordnung, Ton, Quellenbewertung und Veröffentlichung redaktionell bei Benjamin Metzig verantwortet bleiben. Mehr zum Profil: Autorenprofil von Benjamin Metzig.
Kommentare