Automotive Product Development neu vernetzen: Wie Unternehmen die KI-Revolution für sich nutzen

Wie Unternehmen Agentic AI im Automotive Engineering und entlang des gesamten Produktentwicklungszyklus skalieren

Die Automobilindustrie treibt die Einführung von Künstlicher Intelligenz (KI) mit hoher Geschwindigkeit voran. Gleichzeitig entwickelt sich die Technologie schneller als die Prozesse, Governance-Strukturen und Betriebsmodelle, die für ihren effektiven Einsatz und die Skalierung über den gesamten automobilen Lebenszyklus hinweg erforderlich sind. Der entscheidende Wettbewerbsvorteil entsteht heute zunehmend durch die Fähigkeit, KI-generierte Ergebnisse in verlässliche Engineering-Entscheidungen zu überführen. Genau hier liegt jedoch eine zentrale Herausforderung: Vertrauen in KI-gestützte Entscheidungen im Engineering aufzubauen.

Dieser Report basiert auf einer Befragung von 800 Führungskräften aus Automobilherstellern, Zulieferunternehmen und Technologieanbietern in 12 Ländern. Ergänzt wurde die Studie durch 24 Interviews mit Engineering-Verantwortlichen aus der gesamten Branche. Die Ergebnisse beleuchten die Zukunft des Automotive Engineerings und zeigen auf, wie Unternehmen den Einsatz von Agentic AI erfolgreich skalieren können.

Wo die Branche bei KI Herausforderungen meistert und Erfolge erzielt

KI zahlt sich aus und Vorreiter bauen ihren Vorsprung aus

Eine klar definierte Gruppe von Unternehmen erzielt zwei- bis dreimal höhere Verbesserungen bei Entwicklungsgeschwindigkeit, Engineering-Produktivität und Time-to-Market. Dies verdeutlicht den Mehrwert, den KI im Engineering schaffen kann. Ihr Vorsprung basiert auf einer stärkeren KI-Governance, einer höheren Qualität der Engineering-Daten sowie klar geregelten Verantwortlichkeiten.

Agentic AI hält Einzug in den Engineering-Alltag

Unter den Unternehmen, die die Einführung von KI bei Automobilherstellern und Zulieferern vorantreiben, setzen bereits 35 % Agentic AI in Engineering-Prozessen ein, während weitere 33 % Pilotprogramme durchführen. Die Einführung erfolgt besonders schnell in Bereichen, die verschiedene Phasen des Engineering-Lebenszyklus miteinander verbinden.

Das Fehlen eines vernetzten Engineering-Backbones bleibt eine der größten Herausforderungen der Branche

Eine der größten Hürden ist der Aufbau eines durchgängigen Engineering-Backbones, der Engineering-Daten, Lifecycle-Plattformen und Workflows miteinander verknüpft. Nur so erhalten KI-Agenten den notwendigen Kontext und die erforderliche Nachvollziehbarkeit, um funktionsübergreifend agieren zu können. Dies gilt insbesondere für den Einsatz von KI bei geschäftskritischen Engineering-Entscheidungen. Entsprechend hat eine effektive Governance von Engineering-Daten strategische Priorität.

KI-Governance und Entscheidungsbefugnisse im Automotive-Umfeld

Lediglich 5 % der Unternehmen stufen ihr KI-Governance-Modell als vollständig ausgereift ein. Gleichzeitig hat weniger als die Hälfte die notwendigen Entscheidungsbefugnisse und Verantwortlichkeiten im Hinblick auf KI-gestützte Engineering-Entscheidungen neu definiert.

Aus Fahrzeugdaten werden nur selten konkrete Maßnahmen

Viele Unternehmen haben Schwierigkeiten, Erkenntnisse aus Fahrzeugtelemetrie und Over-the-Air-Update-Daten in konkrete Engineering-Maßnahmen für Fahrzeuge im Feld umzusetzen. Dies gilt insbesondere im Zeitalter KI-gestützter, softwaredefinierter Fahrzeuge.

KI macht neue Abhängigkeiten im Ökosystem sichtbar

Herausforderungen rund um Eigentumsrechte, digitale Souveränität, Verantwortlichkeiten, Cybersicherheit sowie KI-gestützte Engineering-Prozesse nehmen zu und erschweren die Zusammenarbeit innerhalb des Ökosystems. Dies gilt insbesondere dann, wenn KI über Partnernetzwerke hinweg skaliert wird. Dadurch gewinnt eine ausgereifte Zusammenarbeit im Automotive-KI-Ökosystem zunehmend an Bedeutung.

Fünf Handlungsfelder für Führungskräfte in der Automobilindustrie

Um diese Herausforderungen zu adressieren und das volle Potenzial von KI in der Produktentwicklung auszuschöpfen, sollten Unternehmen:

• KI entlang der gesamten Produktentwicklung parallel statt sequenziell skalieren
• Eine Agentic-Control-Plane auf Basis von Evidenz, Transparenz und Nachvollziehbarkeit aufbauen
• Engineering-Daten maschinenlesbar und maschineninterpretierbar gestalten
• Das Engineering anhand von drei zentralen Lifecycle-Kennzahlen steuern
• Den Feedback-Kreislauf zwischen Fahrzeugen im Einsatz und den Engineering-Teams schließen, um die KI-gestützte Fahrzeugentwicklung kontinuierlich zu verbessern

Dieser Report richtet sich an CTOs, chief engineering officers, heads of R&D, chief digital & AI officers, product strategy leaders, sowie Teams für Engineering-Transformation. Er unterstützt Entscheidungsträger dabei, den Schritt von isolierten KI-Experimenten hin zu einer vertrauenswürdigen und skalierbaren Umsetzung über den gesamten Produktlebenszyklus hinweg zu vollziehen und eine vernetzte Engineering-Basis zu schaffen.