AutoForm

Kurzfazit

AutoForm ist der De-facto-Standard für Blechumformungs-Simulation in der Automobil- und Zulieferindustrie. Die Software wurde 1995 als ETH-Zürich-Ausgründung gegründet und hat sich auf inkrementelle Solver für Tiefziehen, Stanzen und Hydroforming spezialisiert, schneller und domänenspezifischer als die generischen CAE-Tools (LS-DYNA, Abaqus). Stärke: Mit AutoForm-Sigma liefert das System statistische Robustheitsanalysen, die zur Datenbasis für KI-gestützte Inline-Prozessregelung werden, ein Hebel, den große Tier-1-Zulieferer wie Franke, Engenharia Sigma und andere bereits produktiv nutzen. Einschränkung: AutoForm ist klassische CAE-Simulationssoftware, kein KI-Tool im engeren Sinn. Wer aus dem Tool selbst neuronale Netze oder LLM-Agents erwartet, ist falsch, Sigma ist statistische Streuung, kein ML. Die KI entsteht im Folgenschritt, wenn die Simulationsdaten als Trainingsbasis für Edge-ML-Modelle dienen.

Für wen ist AutoForm?

OEM-Karosseriebau: BMW, Mercedes, VW und ihre direkten Töchter setzen AutoForm bei Außenhaut-Bauteilen quasi standardmäßig ein. Die A-Klasse-Tür, das B-Säulen-Verstärkungsblech, das Dachsegment, alles, was sichtbare Oberfläche oder hohe Steifigkeitsanforderungen hat, läuft über AutoForm-Forming. Die Werkzeugkonstrukteure arbeiten parallel zur Karosserieentwicklung und müssen Tryout-Iterationen virtuell reduzieren.

Tier-1- und Tier-2-Zulieferer: Wer OEMs beliefert, bekommt die Simulation oft als Mandatsanforderung mit ins Lastenheft geschrieben. AutoForm-Forming wird dann nicht aus Eigenmotivation eingesetzt, sondern als Eintrittskarte, ohne AutoForm-Bemusterung kein Lieferantenstatus. Das macht das Tool für Zulieferer zur Pflichtsoftware, sobald sie in die Automotive-Lieferkette wollen.

Werkzeugkonstrukteure und Pressenhersteller: Wer Tiefziehwerkzeuge auslegt, Niederhalter, Ziehringe, Stempel, nutzt AutoForm-Stamping als virtuelle Pressen-Sandbox. Statt am realen Werkzeug Schleifrunden zu drehen, werden Geometrien, Anschnittradien und Niederhalterkräfte in der Simulation optimiert. Eine virtuelle Iteration ersetzt mehrere reale Tryouts und spart in der Serieneinführung Wochen.

Produktionsleiter mit chronischem Ausschussproblem: Wo eine Serie 8–12 % Ausschuss erzeugt und niemand mehr weiß warum, ist AutoForm-Sigma das Werkzeug, um den Beitrag jeder Streugröße (Blechdicke, Streckgrenze, Reibwert, Niederhalterkraft) statistisch zu zerlegen. Das Ergebnis ist eine Sensitivitätsmatrix, mit der die Hauptursache klar wird, und mit der man Anliefer- oder Prozesstoleranzen gezielt verschärfen kann.

Forschungsteams für KI-gestützte Prozessregelung: Wer Edge-ML-Modelle für die Pressenregelung trainiert, braucht synthetische Daten in großem Volumen, reale Pressenversuche sind teuer und langsam. AutoForm-Sigma kann tausende virtuelle Pressenhübe in wenigen Stunden simulieren und liefert damit den Trainingsdatensatz für die Inline-KI.

Weniger geeignet für: Wer Crash- oder Vollfeld-FEM-Analysen außerhalb der Blechumformung braucht (dafür sind LS-DYNA oder Abaqus passender), kleine Stanzereien ohne OEM-Kunden (Lizenzkosten unverhältnismäßig), reine Privat- oder Schulungsanwendungen, und Hobby-Konstrukteure.

Preise im Detail

Komponente	Preis (orientierend)	Was du bekommst
AutoForm-Forming	ca. 25.000–35.000 €/Jahr	Basismodul für Machbarkeit und virtuellen Tryout
AutoForm-Stamping	Aufpreis ca. 10.000 €/Jahr	Erweiterte Werkzeugauslegung, Mehrstufenprozesse, Hydroforming
AutoForm-Sigma	Aufpreis ca. 10.000–15.000 €/Jahr	Statistische Robustheitsanalyse, Toleranzlauf, Sensitivitätsmatrix
Vollpaket inkl. Module	ca. 45.000–60.000 €/Jahr	Modulauswahl nach Bedarf, Server- oder Floating-Lizenz
Akademische Lizenz	reduziert	Auf Anfrage für Hochschulen und Forschungsinstitute
Evaluierung	Auf Anfrage	Zeitlich begrenzte Testlizenzen für qualifizierte Projekte

Einordnung: AutoForm ist kein Werkzeug für den schmalen Geldbeutel. Die Listenpreise sind nicht öffentlich, die genannten Beträge basieren auf Erfahrungswerten aus Industrie-Quellen und werden über den AutoForm-Vertrieb individuell verhandelt, Mengenrabatte, Floating-Lizenzen über mehrere Standorte und Konzernverträge sind üblich. Für einen Tier-1-Zulieferer mit 30+ Werkzeugkonstrukteuren ist eine Floating-Lizenz im sechsstelligen Bereich pro Jahr realistisch. Wichtig: Die eigentlichen Kosten liegen nicht beim Lizenzpreis, sondern beim Personalaufwand, ein erfahrener AutoForm-Anwender kostet 90.000–130.000 € pro Jahr und braucht 3–6 Monate Einarbeitung. Wer nicht mindestens 2–3 produktiv arbeitende Anwender hat, sollte ein externes Engineering-Büro mit AutoForm-Kapazität beauftragen statt eigene Lizenzen zu kaufen.

Stärken im Detail

Industriestandard bei OEMs und Tier-1. Wenn Audi, BMW, VW oder Stellantis eine Bemusterung verlangen, ist AutoForm-Forming meist die explizit oder implizit geforderte Simulationssoftware. Das ist ein gigantischer Wettbewerbsvorteil, kein anderer Solver hat diese De-facto-Mandatierung in der Automobilbranche erreicht. Wer im Tier-1-Geschäft mitspielt, kommt an AutoForm nicht vorbei.

AutoForm-Sigma als Robustheits-Werkzeug. Sigma erlaubt es, die Materialchargen-Streuung (Streckgrenze ±30 N/mm², Anisotropie, Blechdicke ±0,05 mm) und Prozessstreuung (Reibwert ±0,02, Niederhalterkraft, Temperatur) statistisch durchzuspielen. Mit einem Monte-Carlo-ähnlichen Lauf bekommst du eine Sensitivitätsmatrix, die zeigt, welche Variable den Ausschuss am stärksten treibt. Das ist die Datenbasis, mit der ML-Modelle für die Inline-Pressenregelung trainiert werden, und ein kommender Differenzierungs-Hebel in der Industrie 4.0.

Schneller Solver für Blechumformung. AutoForm nutzt einen domänenspezifisch optimierten inkrementellen Solver, keine generische FEM-Engine. Für eine durchschnittliche Karosserietür-Simulation braucht AutoForm Minuten, wofür LS-DYNA Stunden braucht. Dadurch wird iteratives Arbeiten überhaupt erst praxistauglich, Konstrukteure können mehrere Varianten am Vormittag durchspielen, statt Tryouts über Tage zu warten.

Integration mit der Werkzeugauslegung. AutoForm-Stamping erweitert die Simulation um Mehrstufenprozesse, Hydroforming und virtuelle Werkzeugauslegung. Niederhalterprofile, Ziehringradien und Anschnittgeometrien werden direkt in der Simulation optimiert. Für die Werkstattübergabe lassen sich Stempel- und Niederhaltergeometrien CAM-fähig exportieren.

Grundlage für Inline-Prozessregelung. Vorzeigeprojekte wie Franke (deutscher Karosserie-Zulieferer) oder Engenharia Sigma (brasilianischer Tier-1) haben Sigma-Daten genutzt, um Edge-ML-Modelle für die Pressenregelung zu trainieren, die Niederhalterkraft wird in Echtzeit an die aktuelle Materialcharge angepasst. Das senkt Ausschuss messbar (von 8 % auf unter 2 % ist eine belegbare Größenordnung). AutoForm liefert dafür den Simulations-Backend, die KI-Logik kommt aus dem Anwenderunternehmen oder von Spezialisten wie Quality Match Labs.

Deutschsprachiger Support und Schulungen. AutoForm Engineering hat in München eine Niederlassung mit deutschsprachigem Support, Anwendertreffen und Trainings. Die jährliche AutoForm-Anwender-Konferenz ist ein wichtiger Erfahrungsaustauschort. Für deutsche Konstrukteure ist das ein Komfort, den US-Lösungen oft nicht bieten.

Schwächen ehrlich betrachtet

Kein KI-Kern im Tool selbst. AutoForm-Sigma ist statistische Streuungsanalyse (Latin-Hypercube-Sampling, Sensitivitätsmatrizen), nicht maschinelles Lernen. Wer ein Tool sucht, das selbst neuronale Netze trainiert oder LLM-basierte Vorschläge macht, wird enttäuscht. AutoForm liefert die Datenbasis, die KI wird im Folgenschritt aufgesetzt, typischerweise mit Python, scikit-learn oder PyTorch beim Anwender oder bei einem Spezialdienstleister. Workaround: Im Projekt klar definieren, dass AutoForm das Simulationsfundament ist und der ML-Teil ein separates Arbeitspaket darstellt.

Hohe Einstiegskosten. Eine Vollausstattung mit Sigma kostet realistisch 45.000–60.000 €/Jahr, plus 90.000–130.000 € Personalkosten pro Anwender. Für kleinere Stanzereien ohne OEM-Kundenmandat ist das nicht rechtfertigbar. Workaround: Externe Engineering-Büros (z. B. EDAG, Bertrandt, kleinere Konstruktionsbüros) bieten AutoForm-Stunden ab ca. 150 €/h, sinnvoll für Einzelprojekte ohne dauerhaften Bedarf.

Lernkurve von 3–6 Monaten. AutoForm ist nicht selbsterklärend. Selbst erfahrene CAE-Ingenieure brauchen mehrere Monate, bis sie wirklich produktiv mit der Software arbeiten, Materialkarteien aufbauen, Solver-Parameter abstimmen, Ergebnisse korrekt interpretieren. Wer ohne Schulung loslegt, produziert wahrscheinlich hübsche Bilder, aber keine belastbaren Aussagen. Workaround: Offizielle AutoForm-Schulungen einplanen (typischerweise 5–10 Schulungstage zum Einstieg, dann jährliche Auffrischung).

Materialkarteien sind oft das Nadelöhr. Eine Simulation ist nur so gut wie das Materialmodell, Fließkurven, Anisotropiekennwerte (r-Werte), Verfestigungsexponenten. Wer „Stahl 1.0338” eingibt und einen Standardwert nimmt, bekommt Müll. Belastbare Aussagen verlangen geprüfte Werkstoffkennwerte aus eigenen Versuchen oder zertifizierten Datenbanken. Workaround: Materialkenntwerte aus Vorab-Zugversuchen oder von Stahlherstellern (ThyssenKrupp, Salzgitter, Voestalpine) beziehen, nicht aus Tabellenwerken.

Keine Out-of-the-box-Inline-Regelung. Sigma liefert Streukurven und Sensitivitätsmatrizen, aber den Schritt zur ML-basierten Echtzeit-Pressenregelung musst du selbst gehen, Edge-Hardware (Sensoren, OPC-UA, Edge-Computer), ML-Trainingspipeline, Validierung. Das ist ein eigenes Projekt mit eigenem Budget. Workaround: Spezialisierte Engineering-Partner (Franke, ICUBI, Quality Match Labs in den jeweiligen Domänen) einbinden, sie bringen die ML-Schicht und den Hardware-Integrationsteil mit.

US-/Schweizer-Wurzeln, aber Datenhaltung EU-konform organisierbar. AutoForm Engineering hat Hauptsitz Wilen bei Wollerau (Schweiz) und Tochtergesellschaften in den USA, Brasilien, Korea und Deutschland. Die Daten werden bei Vor-Ort-Installationen lokal verarbeitet, bei Cloud-Optionen können EU-Regionen vereinbart werden, vor Vertragsabschluss explizit klären und im AVV festhalten.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Allgemeine FEM-Simulation außerhalb der Blechumformung brauchst	LS-DYNA, Abaqus oder ANSYS (kein eigener Tool-Eintrag)
ML-Modelle für Pressenregelung trainieren willst	Eigene Pipeline mit Python/PyTorch + AutoForm-Sigma-Daten als Input
Eine LLM-Hilfe für die Auslegungsdokumentation suchst	oder für Berichte und Dokumentation

Erwähnenswert ohne eigenen Tool-Eintrag: Im Markt für Blechumformungs-Simulation konkurriert AutoForm primär mit PAM-Stamp (ESI Group, etwa gleich tief in der Domäne, etwas kleinerer Marktanteil in DACH), Dynaform (LSTC/Ansys, auf LS-DYNA-Basis, deutlich höhere Lernkurve), LS-DYNA mit Blechumformungs-Modulen (generisch, leistungsfähig, aber komplexer) und Abaqus (gleiche Generalisten-Logik, oft in Konzernen vorhanden). Diese Tools sind hier nicht als eigene Reviews, weil sie nicht primär KI-getrieben sind. AutoForm sticht durch die Kombination aus Domänenspezialisierung, Sigma-Robustheitsanalyse und OEM-Akzeptanz heraus, wer in der Automotive-Lieferkette mitspielen will, hat selten eine echte Wahl.

So steigst du ein

Schritt 1: Evaluierungslizenz und Pilotprojekt definieren. Über autoform.com eine Evaluierungslizenz anfordern, AutoForm bietet zeitlich begrenzte Testlizenzen für qualifizierte Projekte. Wichtig: Wähle ein Pilotprojekt mit gutem Datenfundament, eine bekannte Geometrie aus der laufenden Produktion mit Messdaten aus den letzten 6 Monaten. Ohne Vergleichsbasis ist die Simulation nicht validierbar.

Schritt 2: Materialkarteien aufbauen und Modell kalibrieren. Lade das CAD-Modell (CATIA, NX, STEP) in AutoForm-Forming, definiere Niederhalter, Ziehring, Stempel und führe eine erste Machbarkeitssimulation durch. Vergleiche die Simulation mit realen Messwerten, Dickenverteilung, Springback, kritische Zonen. Dieser Abgleich zeigt, ob euer Materialmodell passt oder nachgeschärft werden muss. Plane dafür mindestens 2–4 Wochen ein.

Schritt 3: Robustheitsanalyse mit Sigma starten. Sobald die Basis-Simulation valide ist, definiere die Streuparameter (Blechdicke ±0,05 mm, Streckgrenze ±30 N/mm², Reibwert ±0,02, Niederhalterkraft ±5 %). Lass Sigma einen Latin-Hypercube-Lauf mit 50–200 Variationen fahren. Das Ergebnis: eine Sensitivitätsmatrix, die zeigt, welche Variable euren Ausschuss am stärksten treibt. Diese Matrix ist die Datenbasis für spätere ML-Modelle, speichere sie strukturiert in einem Versionskontrollsystem (Git oder DVC) für die spätere Weiterverarbeitung.

Ein konkretes Beispiel

Ein Tier-2-Zulieferer für Karosserieteile aus dem Saarland hat 18 Monate lang Ausschuss beim Tiefziehen eines B-Säulen-Verstärkungsblechs von 8–12 % akzeptiert, der Schaden lag bei rund 180.000 €/Jahr. Mit AutoForm-Sigma wurde eine Robustheitsanalyse mit 120 Variationen gefahren: Blechdicke, Streckgrenze, Reibwert, Niederhalterkraft. Das überraschende Ergebnis: 70 % des Ausschusses geht auf Chargenstreuung bei der Streckgrenze zurück, nicht auf Werkzeugverschleiß wie ursprünglich angenommen. Der Prozess wurde zweistufig umgestellt, engere Anliefertoleranzen mit dem Stahllieferanten ausgehandelt (Streckgrenze +30 N/mm² Puffer auf die Untergrenze) und parallel eine adaptive Niederhalterkraft-Regelung implementiert (Edge-ML-Modell auf Basis der Sigma-Daten, das die Niederhalterkraft pro Coil-Charge anpasst). Ausschuss sank auf unter 2 %, ohne Werkzeugänderung. Zeit bis Wirkung: 4 Monate von der Sigma-Analyse bis zur produktiven Regelung. Die Investition in AutoForm-Sigma (rund 15.000 €/Jahr) plus externes ML-Engineering (rund 35.000 € einmalig) amortisierte sich in unter 6 Monaten.

DSGVO & Datenschutz

• Hosting: AutoForm wird typischerweise als On-Premise- oder Floating-Lizenz lokal beim Anwender installiert, Simulationsdaten verlassen das Firmennetz nicht. Das ist für die Automotive-Lieferkette (hohe IP-Sensitivität bei Karosseriedaten) der Standardweg.
• Cloud-Optionen: Wenn AutoForm-Cloud-Komponenten genutzt werden, kann eine EU-Region vereinbart werden, vor Vertragsabschluss explizit klären.
• AVV: Bei jeder Konfiguration mit Cloud-Anteil sollte ein Auftragsverarbeitungsvertrag mit AutoForm Engineering vereinbart werden. Bei reiner On-Premise-Nutzung entfällt das im Wesentlichen.
• IP-Schutz für CAD-Daten: Da typischerweise OEM-Karosseriedaten (z. B. NDA-geschützte BMW- oder Mercedes-Designs) verarbeitet werden, ist On-Premise die bevorzugte Konfiguration, auch unabhängig von DSGVO.
• Personenbezogene Daten: Im Standard-Workflow keine, AutoForm verarbeitet Geometrien und Materialdaten, keine Personenangaben.
• Empfehlung: Für Automotive-Zulieferer ist On-Premise mit lokaler Datenhaltung der einzige Weg, der OEM-NDAs zuverlässig erfüllt. Sigma-Trainingsdaten für ML-Modelle sollten verschlüsselt und versioniert in firmeninternen Repositories abgelegt werden.

Gut kombiniert mit

• Python-ML-Stack (scikit-learn, PyTorch, XGBoost), AutoForm-Sigma liefert die Streukurven und Sensitivitätsmatrizen als CSV/HDF5, der eigentliche ML-Teil (Random-Forest, Gradient-Boosting oder neuronale Netze für die Niederhalterkraft-Vorhersage) läuft in Python. Das ist der Standard-Workflow für KI-gestützte Inline-Regelung, AutoForm das Datenwerk, Python die Lernschicht.
• oder , für die Erstellung der Auslegungs- und Bemusterungsdokumentation aus den Simulationsergebnissen. Sigma-Output als Tabelle einfügen, LLM strukturiert daraus den OEM-konformen Bericht. Spart in Tier-1-Bemusterungen mehrere Stunden Schreibarbeit pro Bauteil.
• OPC-UA / Edge-Computing-Plattformen (Beckhoff, Siemens, ifm), wenn die ML-basierte Inline-Regelung produktiv wird, läuft sie als Edge-Modell auf der Pressensteuerung. Sensorwerte (Coil-Kennwerte, Niederhalterkraft, Stempelweg) werden in Echtzeit gegen das mit Sigma-Daten trainierte ML-Modell geprüft. AutoForm liefert die Trainingsbasis, die Edge-Plattform das Runtime-Environment.

Unser Testurteil

AutoForm verdient 4 von 5 Sternen. In seiner Domäne, Blechumformungs-Simulation und statistische Robustheitsanalyse, ist die Software der unangefochtene Standard, von OEMs explizit oder implizit gefordert, mit überlegener Solver-Performance und dem mit Abstand reifsten Sigma-Modul am Markt. Den fünften Stern verliert sie aus drei Gründen: Erstens ist AutoForm kein KI-Tool im engeren Sinne, Sigma ist statistische Streuung, nicht ML; die eigentliche KI-Schicht baust du selbst auf, was im KI-Syndikat-Kontext eine wichtige Klarstellung ist. Zweitens sind die Einstiegskosten (Lizenz plus Personal) so hoch, dass das Tool für KMU ohne OEM-Mandat praktisch unzugänglich ist. Drittens fehlt eine schlüsselfertige Inline-Regelungslösung, der Weg von Sigma-Daten zur produktiven Pressenregelung erfordert ein eigenes ML-/Edge-Computing-Projekt. Für Automotive-Tier-1- und Tier-2-Zulieferer ist AutoForm dennoch alternativlos und eine der seriösesten Investitionen, die ein digital denkender Werkzeugbau treffen kann.

Was wir bemerkt haben

• 2023–2025, Die Industrie 4.0-Diskussion in der Blechumformung hat sich von „Sensoren in der Presse” zu „ML-Modelle als adaptive Regelung” verschoben. AutoForm-Sigma wurde dadurch vom Nice-to-have zum Schlüssel-Modul, kein Wettbewerber liefert eine vergleichbar tiefe Robustheitsanalyse als Trainingsdatenquelle.
• 2024, Vorzeigeprojekte wie bei Franke und Engenharia Sigma haben gezeigt, dass Ausschussreduktion von 8 % auf unter 2 % durch Sigma-trainierte Edge-ML-Modelle realistisch ist. Das hat die Investitionsbereitschaft bei Tier-1-Zulieferern messbar erhöht.
• 2025, AutoForm Engineering hat die Cloud-Komponenten der Plattform stärker ausgebaut (z. B. AutoForm-Forming Plus mit Browser-Zugriff). Für DACH-Kunden bleibt On-Premise allerdings der Standard, IP-Schutz für OEM-Karosseriedaten ist nicht verhandelbar.
• Mai 2026, Eine schlüsselfertige Inline-ML-Regelung als Teil des Standard-Lizenzumfangs ist weiterhin nicht im Produkt, der Schritt von Sigma-Daten zur Echtzeit-Pressenregelung bleibt Anwendersache oder Aufgabe von Spezialdienstleistern. Das ist die offensichtlichste Produkt-Lücke, und gleichzeitig ein klarer Hebel für Engineering-Partner und Edge-ML-Anbieter.
• Keine wesentlichen Preisänderungen bekannt, AutoForm verhandelt individuell, öffentliche Preislisten gibt es nicht. Wer vergleichen will, muss Angebote von PAM-Stamp und Dynaform parallel einholen.