KI im Automotive Engineering: Warum der smarte Umgang mit Daten relevanter ist als reines Entwicklungstempo

Im Vorfeld des VDI-Kongresses ELIV, dem zentralen Branchentreff für Automobilelektronik und Software, sprechen wir mit Dr. Patrick Bartsch, Principal Technology Evangelist bei AWS. Auf der diesjährigen ELIV moderiert er die Automotive Trend Session zum Thema Künstliche Intelligenz. Im Interview beschreibt er, warum KI weit mehr ist als Code-Generierung, wie sich das Berufsbild von Ingenieur*innen fundamental wandelt und an welchen Stellen Unternehmen den größten Return on Investment erwarten können.
 

Herr Dr. Bartsch, Sie moderieren auf der ELIV die Automotive Trend Session zum Thema Automotive AI sowie eine Podiumsdiskussion zum selben Thema. Was können die Teilnehmenden erwarten?

Dr. Patrick Bartsch: Ganz bewusst wollen wir nicht, zumindest nicht nur, über Large Language Models sprechen. LLMs sind zweifellos ein zentraler und fundamentaler Bestandteil der aktuellen Technologie. Durch den sogenannten ChatGPT-Moment ist Künstliche Intelligenz erstmals für die breite Masse über ein simples Chat-Fenster greifbar und populär geworden.

Das Feld der KI ist allerdings weitaus größer: Wir beleuchten Applikationen und Agentic-AI-Anwendungen, die auf LLMs basieren. Die Kernfrage lautet, welche spezifischen Aufgaben Agenten im Entwicklungsprozess autonom übernehmen können und an welchen Stellen der Mensch zwingend im Loop bleiben muss. Dabei geht es stets um konkrete Optimierungen und einen echten Return on Investment für Unternehmen.
 

Wie wird KI konkret den Entwicklungsprozess weiter verändern?

Dr. Patrick Bartsch: Häufig geht es in den aktuellen Anwendungen um ganz praktische Herausforderungen: Wie lassen sich riesige Datenmengen effizienter durchsuchen und analysieren, wie können umfassende Datenlisten effizienter kuratiert werden? Diese aufbereiteten Datensätze fließen in das Modelltraining und finden anschließend ihren Weg in das Fahrzeug. Dies manifestiert sich beispielsweise in Sprachassistenten für das Infotainment oder in Algorithmen für autonome Fahrsysteme.
 

Dies führt unweigerlich zu der Frage nach der Rolle des Menschen. Verändert künstliche Intelligenz das Berufsbild von Ingenieur*innen so stark, dass klassische Positionen überflüssig werden?

Dr. Patrick Bartsch: Die Ingenieursdisziplin als solche bleibt bestehen, lediglich das Werkzeug ändert sich. Um ein technisches Bild zu bemühen: Man kann ein Loch mit einer Handbohrmaschine bohren oder dafür einen massiven Bohrhammer nutzen. Der Bohrhammer arbeitet schneller und kraftvoller. Macht man jedoch einen Fehler, ist der angerichtete Schaden erheblich höher als bei der Arbeit mit der Handbohrmaschine.

KI verhält sich durchaus ähnlich: Wenn ein Agent 10.000 Zeilen Code generiert, wo eigentlich 50 gereicht hätten, können Fehler auftreten. Genau deshalb benötigen wir Seniorität. Erfahrene Fachkräfte strukturieren komplexe Herausforderungen in Teilprobleme, prüfen die Architektur und beurteilen, ob der Code sicher sowie wartbar ist. Unser CTO Werner Vogels sagt treffend: „There is no compression algorithm for experience.“ Ingenieur*innen werden auch in Zukunft Erfahrung und Expertise aufbauen durch Machen, Ausprobieren und Lernen.
 

Ein zentrales Thema in der Branche ist das Entwicklungstempo, insbesondere im Vergleich zu neuen asiatischen Marktteilnehmern. Wie bewerten Sie das Spannungsverhältnis von Entwicklungstempo und Qualität?

Dr. Patrick Bartsch: Mein Kollege Uwem Ukpong brachte das kürzlich sehr prägnant auf den Punkt: „Speed without quality is reckless. Quality without speed is irrelevant.“ Reine Geschwindigkeit wird sich mittelfristig rächen, reines Abwarten allerdings genauso. 

Neue Marktteilnehmer haben den strategischen Vorteil, auf einer grünen Wiese zu operieren. Sie schleppen keinen Ballast mit sich, wie etwa die parallele Pflege von verbrennungsmotorischen Fahrzeugen, Hybriden und Elektroautos. Zudem entfallen für reine Elektro-Player regulatorische Zwänge wie die klassische On-Board-Diagnose für Antriebe. Etablierte OEMs agieren hier in einem völlig anderen Kontext und haben zusätzliche Aufwände, beispielsweise durch die Weiterentwicklung und Pflege von gleichzeitig mehreren Plattformen.

Das Automobil ist vermutlich das technisch komplexeste Endkundenprodukt auf dem Markt und birgt ein hohes Gefährdungspotenzial, weshalb Sicherheit höchste Priorität genießt. Das Tempo der Newcomer ist beeindruckend, doch etablierte Player am Markt verfügen über einen großen Schatz an Erfahrung, der sich langfristig auszahlen wird. Es geht darum, den gesunden Mittelweg zwischen Tempo und Perfektion zu finden.
 

Kann KI den etablierten Herstellern dabei helfen, die Geschwindigkeitslücke in der Entwicklung zu schließen oder zumindest zu verringern?

Dr. Patrick Bartsch: Das ist die konkrete Hoffnung. Wer KI nicht einsetzt, fällt unweigerlich zurück. Allerdings: Ein isolierter Geschwindigkeitsgewinn bringt absolut keinen Nutzen, wenn der übergeordnete Prozess nicht angepasst ist. Es hilft nicht, eine Aufgabe in drei Wochen zu erledigen, wenn die Prozesse danach eine sechsmonatige Wartezeit erzwingen.

Ebenso zentral ist die Unternehmenskultur. KI darf nicht ausschließlich als Gefahr wahrgenommen werden. Wenn Mitarbeitende erleben, dass sie repetitive, unbeliebte Aufgaben mit KI-Unterstützung schneller bewältigen, können sie ihre Energie auf Aufgaben lenken, die echten Mehrwert bieten. KI erledigt Dinge, für die wir momentan schlicht keine Kapazitäten haben. 

In Kundenprojekten lassen wir KI beispielsweise riesige Mengen an Testresultaten aus der Cloud durcharbeiten, führen automatisierte Bildvergleiche durch oder werten Audioschnipsel für Infotainment-Systeme aus. Auch Videos für autonome Fahrfunktionen lassen sich systematisch nach Fehlern des Algorithmus durchsuchen.
 

Sie sprechen das Testen an. Die Lücke zwischen Simulation und Realität gilt als großes Risiko. Wie lässt sich das Sim-to-Real Gap schließen?

Dr. Patrick Bartsch: Die Automobilindustrie wird niemals gänzlich ohne Testfahrzeuge oder Hardware-in-the-Loop auskommen. Allerdings lässt sich viel in die Cloud verlagern. Zu diesem Zweck ist sehr präzise zu evaluieren, welche Szenarien simuliert werden sollen. Ein exaktes CAN-Timing ausschließlich in der Software abzubilden, ist extrem aufwendig und der Return bleibt überschaubar. Bewegen wir uns aber auf der Ebene des Betriebssystems oder des Hypervisors eines Hochleistungscomputers, funktioniert die virtuelle Abbildung exzellent. 

Integrationsprobleme sind die primäre Ursache, warum sich Fahrzeugprogramme massiv verzögern. Die Anzahl der Bauteile hat sich zwar verringert, die Komplexität ist aber nicht verschwunden, sondern verbirgt sich nun verdichtet in einzelnen Geräten, wo Prozessoren und Mikrocontroller reibungslos kommunizieren müssen.

Das Sim-to-Real Gap variiert zudem stark nach Domäne. Übersetzungen im Infotainment oder Frameraten im Kombiinstrument lassen sich sehr gut vorab validieren. Geht es jedoch um die Steuerung einer Luftfederung im Millisekundenbereich, ist die komplexe Physik entscheidend und das Gap wird deutlich spürbar.
 

Abschließend gefragt: In welchen Bereichen birgt der Einsatz von KI aktuell das größte Potenzial für Automotive- Ingenieur*innen? 

Dr. Patrick Bartsch: Hier greift eine klare 80/20-Regel. Die Branche fokussiert sich stark auf das reine Software-Coding, doch das macht in vielen Domänen gerade einmal 20 Prozent der Arbeit aus. Die verbleibenden 80 Prozent der Tätigkeiten wie Requirements Engineering, Architekturgestaltung oder aufwendiges Reporting werden noch nicht ausreichend einbezogen. Dabei handelt es sich um hochgradig repetitive Aufgaben, die derzeit einen verschwindend geringen Automatisierungsgrad aufweisen. 

Anders gesagt: Wenn der Output im Coding viermal schneller wird, optimieren wir lediglich 20 Prozent des Prozesses. Beschleunigen und vereinfachen wir jedoch die Dokumentation, das Requirements Engineering und das Reporting, lassen sich erheblich Effizienzpotenziale auf der 80-Prozent-Seite heben. Genau dort liegt ein hoher Return on Investment, der längst noch nicht in ausreichendem Maße Beachtung findet.