Die Automobilindustrie steht vor einer weitreichenden Zäsur, künstliche Intelligenz dringt immer tiefer in die Kernprozesse der Fahrzeugentwicklung ein. Auf dem diesjährigen VDI-Kongress ELIV will Dipl.-Ing. Steffen Krause, Head of Software Defined Vehicle bei Capgemini Invent, daher einen Perspektivwechsel einläuten. In seiner In-Session-Keynote gemeinsam mit Bora Ger, ebenfalls Capgemini Invent, macht er deutlich: KI transformiert die Automobilentwicklung nicht nur, sie sprengt das gesamte etablierte Playbook. Vorab beantwortet er unsere Fragen.
Herr Krause, wie radikal verändert KI gerade die Fahrzeugentwicklung?
Steffen Krause: Branchenweit können wir das massive Bestreben feststellen, etablierte Abläufe durch KI zu beschleunigen. Das Vorgehen dabei: Unternehmen applizieren sozusagen KI-Pflaster auf einzelne Prozessschritte. Punktuell funktioniert das auch hervorragend. Fragen Sie jedoch die Führungsebene nach dem substanziellen Wertbeitrag durch die KI für das Gesamtunternehmen, herrscht oft Ernüchterung.
Der Grund dafür liegt in einem massiven logischen Bruch. Wenn ein KI-Modell über Nacht Millionen von Codezeilen generiert, der nachgelagerte Review-Prozess aber weiterhin auf klassischer manueller menschlicher Prüfung basiert, wird das System unweigerlich überfordert. Kein Entwickler der Welt kann dieses enorme Volumen am nächsten Tag ernsthaft validieren. Die Antwort darauf ist aber nicht noch mehr manuelles Review, sondern ein Paradigmenwechsel: Wir müssen die Erzeugung durch KI konsequent mit automatisierter Verifikation koppeln – KI-generierte Artefakte werden gegen formale Spezifikationen geprüft, statt sie Zeile für Zeile von Hand nachzukontrollieren. Zudem müssen wir in diesem Prozess die Zusammenarbeit zwischen Mensch und KI gestalten, was wir unter „Human-AI-Chemistry“ verstehen.
Das zeigt: Wer nur einen Teilbereich extrem beschleunigt, aber nicht den Gesamtprozess betrachtet, erzeugt keinen echten Wert, sondern womöglich einen gewaltigen Flaschenhals. Genau an diesem neuralgischen Punkt stehen wir heute bei der Integration von künstlicher Intelligenz. Wir müssen zwingend weg von isolierten Pilotprojekten und hin zu durchgängigen, integrierten AI-Engineering-Pipelines.
Um diesen rasanten Wandel konkret zu greifen, haben Sie umfangreiche Daten erhoben. Auf der ELIV geben Sie Einblicke in einen Reality Check für das Jahr 2026. Wo stehen die Hersteller und Zulieferer aktuell?
Steffen Krause: Regelmäßig führen wir im Vorfeld der ELIV umfassende Erhebungen durch. Für die aktuelle Studie – die wir gemeinsam mit ASIMI und in Kooperation mit der Technischen Universität München erstellen – haben wir rund 16 Senior-Verantwortliche und technische Entscheider aus dem gesamten Entwicklungs-Ökosystem, von OEMs über Software-Tier-1s, Systemintegratoren und Hyperscaler bis hin zu Tool-Anbietern und Forschung, zum Reifegrad ihrer KI-Integration befragt. Die Datengrundlage, die wir rund um den Kongress der Öffentlichkeit präsentieren werden, zeichnet ein sehr klares Bild. Viele Unternehmen befinden sich nach wie vor in der Phase der rein punktuellen Automatisierung.
Es geht uns keineswegs um die Utopie, dass eine KI künftig eigenständig komplette Fahrzeuge entwirft. Die Kernaufgabe besteht vielmehr darin, das Zusammenspiel der digitalen Werkzeuge messbar und steuerbar zu machen. Die Studie liefert uns das belastbare Fundament, um der Branche aufzuzeigen, wo dringender Handlungsbedarf besteht und wie weit die Lücke zwischen technischer Machbarkeit und prozessualer Realität derzeit noch klafft. Damit möchten wir klare Impulse für ein neues Target Operating Model in den Unternehmen geben.
Die Automobilbranche agiert bekanntermaßen in einem extrem streng regulierten Umfeld. Am Ende des Entwicklungsprozesses steht stets die behördliche Typfreigabe. Verträgt sich diese regulatorische Strenge mit dem exponentiellen Tempo der KI-Modelle?
Steffen Krause: Das ist eine der spannendsten Herausforderungen, die das neue Playbook der KI-basierten Fahrzeugentwicklung mit sich bringen wird. Es entstehen komplexe Fahrzeuge, die am Ende vom Inverkehrbringer rechtlich voll verantwortet werden müssen. Wir alle schätzen den Umstand, dass ein Auto beim Tritt auf das Pedal absolut verlässlich bremst. Diese kompromisslose Sicherheit hat oberste Priorität. Folglich müssen sich einerseits die Regulationsbehörden an die neuen Entwicklungsgeschwindigkeiten anpassen und andererseits die Hersteller massiv in verlässliche KI-gestützte Freigabemechanismen investieren. Entscheidend ist dabei der notwendige Perspektivwechsel beim Einsatz der Tools: Vertrauen entsteht nicht dadurch, dass wir auf ein vermeintlich fehlerfreies oder „deterministisches“ KI-System warten.
Ein weiterer, oft unterschätzter Aspekt ist die Geopolitik. Wer seine unternehmenskritischen Entwicklungsprozesse einseitig auf ein einzelnes Frontier-Modell ausrichtet, begibt sich in vermeidbare Abhängigkeiten. Erst kürzlich wurde ein führendes US-Frontier-Modell kurzfristig unter US-Exportkontrolle gestellt und war für einige Wochen nicht verfügbar, bevor der Zugang wieder freigegeben wurde – ein anschauliches Beispiel dafür, wie schnell sich regulatorische Rahmenbedingungen ändern können. Umgekehrt werfen chinesische Open-Source-Modelle wie DeepSeek zwar keine kommerziellen Lizenzhürden auf – die aktuellen Flaggschiff-Modelle stehen unter permissiven Lizenzen –, dafür aber offene Fragen zu Datenschutz und DSGVO-Konformität, Data Residency und der Durchsetzbarkeit des EU AI Act. Baut ein Autobauer seinen Kernprozess ungeschützt auf solche Modelle auf, droht bei regulatorischen Änderungen der sofortige Stillstand der gesamten Entwicklung. Entscheidend ist daher nicht Abschottung, sondern Optionalität: ein stringentes Risikomanagement, eine neutrale Integrationsschicht, über die sich Modelle bei Bedarf austauschen lassen, und die bewusste Wahlfreiheit aus einem breiten Angebot offener wie proprietärer, europäischer wie internationaler Modelle. Souveränität heißt in diesem Sinne Geschäftskontinuität und Risikosteuerung – nicht Isolation.
Unter dem Begriff Human-AI Chemistry fordern Sie ein konsequent datengetriebenes Denken ein. Doch kommen wir zur menschlichen Komponente. Macht die KI unsere Ingenieure perspektivisch überflüssig? Insbesondere Junior-Positionen gelten als akut gefährdet.
Steffen Krause: Diese Automatisierungsangst ist nicht neu, wir kennen sie aus jeder großen industriellen Revolution. Allerdings: Die Idee, man könne künftig völlig auf Junior-Entwickler verzichten und nur noch mit Senior-Experten sowie Sprachmodellen arbeiten, ist eklatant falsch. Ein solches starres Setup würde krachend scheitern und keine zwei Jahre überleben.
Richtig ist hingegen, dass sich die konkreten Aufgabenprofile drastisch verändern. Die KI übernimmt den reinen Boilerplate-Code, das stumpfe Erstellen von Routine-Präsentationen und das Schreiben administrativer Tickets. Gleichzeitig benötigen wir den menschlichen Faktor mehr denn je. Die strategischen Vorgaben eines erfahrenen Seniors in einen hochpräzisen Dialog mit dem KI-Modell zu übersetzen und daraus ein wirklich wertstiftendes Ergebnis zu formen, ist weiterhin eine überaus anspruchsvolle Aufgabe für Junior-Kräfte. Genau durch diese täglichen Aufgaben wachsen sie schrittweise in die künftigen Senior-Rollen hinein.
Gleichzeitig erhält der erfahrene Ingenieur, der komplexe Regeltechnik für Bremssteuergeräte im Detail beherrscht, endlich wieder den nötigen Freiraum, sich auf seine eigentliche Ingenieurskunst zu konzentrieren, anstatt wertvolle Zeit mit administrativen Pflichtaufgaben zu verbringen. Genau dieses Zusammenspiel bündeln wir bei Capgemini in unserem Resonance-Framework unter der Dimension ADOPT – der „Human-AI Chemistry“: Vertrauen, klar definierte Rollen und gut gestaltete Interaktionen sind die Voraussetzung dafür, dass „Menschen, die KI nutzen“ zu „Menschen, die mit KI arbeiten“ werden und hybride Teams wirklich funktionieren.
Die technologische Neuausrichtung erfordert mithin auch die entsprechenden finanziellen Budgets. Ist allen Entscheidern bereits klar, wie sie den Return on Investment bei KI-Projekten nachhaltig messen und bewerten?
Steffen Krause: In der Tat verändert sich derzeit die Bewertung von Arbeitsleistung ebenfalls auf grundlegende Weise. Nvidia-CEO Jensen Huang hat kürzlich vorgeschlagen, den Token-Verbrauch von Mitarbeitenden zur Produktivitätskennzahl zu machen – bis hin zu Token-Budgets als Teil der Vergütung. Für die Automobilbranche halte ich das für den falschen Maßstab. Der Hardware-Lieferant mag ein großes Interesse an hohem Token-Verbrauch haben, aber in der Industrie zählt allein der geschaffene, validierte Outcome – nicht das Volumen. Jahrelang basierten betriebswirtschaftliche Metriken strikt auf geleisteten Arbeitsstunden. Das funktioniert in einer KI-getriebenen Welt aber nicht mehr. Der Wert einer komplexen Entwicklung misst sich künftig am geschaffenen, validierten Outcome – nicht an den investierten Stunden.
Daher sind Investitionen konsequent danach auszurichten, wie viel schneller messbarer Wert generiert wird. Das zwingt die Unternehmen zu tiefgreifenden Anpassungen in ihren Einkaufsstrategien, den FinOps-Prozessen und den generellen Sourcing-Modellen. Wer rein über den Token-Verbrauch steuert, verliert unweigerlich den Bezug zur echten Wertschöpfung. Wichtig ist dabei: Der eigentliche Return entsteht nicht durch das Werkzeug allein. Wert entsteht aus der Verbindung von Technologie und (menschlichem) Prozess, nicht aus dem Tool an sich.
Wenn in der Automobilindustrie über Entwicklungsgeschwindigkeit diskutiert wird, fällt eher früher als später das Schlagwort China Speed. Was ist der Grund für das hohe Entwicklungstempo? Liegt es allein daran, dass bei der asiatischen Konkurrenz schlichtweg weniger perfektionistisch entwickelt wird?
Steffen Krause: Vorab eine Einordnung: Der sogenannte China-Speed war kein formaler Bestandteil unserer Befragung – ich ordne ihn hier als persönliche Einschätzung und Kontext ein, nicht als Studienergebnis. Der weit verbreitete Mythos, der China Speed resultiere rein aus einer lockeren iterativen Herangehensweise, greift deutlich zu kurz. Der entscheidende Wettbewerbsvorteil der neuen Player ist vielmehr das berühmte weiße Blatt Papier. Diese Unternehmen verfügen über keine limitierende Legacy-Software und keine historisch gewachsenen, hochkomplexen Zulieferernetzwerke, die sie in langwierige Abstimmungsprozesse zwingen.
Demgegenüber steht die unbestrittene Stärke der deutschen Premiumhersteller. Über die herausragende mechanische Qualität eines Porsche hat sich bekanntlich noch nie ein Kunde beschwert. Die klassischen Stärken zu behaupten und sich aufbauend auf dem Markenkern weiterzuentwickeln ist der Schlüssel. Die immense Herausforderung und gleichzeitig eine große Chance für den Standort Europa liegt nun darin, diese mechanische Perfektion unbedingt beizubehalten und sie künftig mit Software-Agilität zu kombinieren. KI bietet exakt das nötige Werkzeug, um diese bestehenden prozessualen Lücken zügig zu schließen.
Schlussfrage: Welche Möglichkeiten haben Ihrer Ansicht nach etablierte Premiumhersteller noch, um sich am Markt klar zu positionieren und zu differenzieren?
Steffen Krause: Ganz klar Emotionen, Marke und Intuition. Stellen Sie sich vor, eine künstliche Intelligenz entwirft komplett autark ein neues Fahrzeug. Für wen würde sie das tun? Wahrscheinlich für eine andere KI. Ein solches rein logisches Vehikel bräuchte keine bequemen Sitze und definitiv kein emotionales Design. Wir bauen Autos für lebendige Menschen.
Die hohe Kunst besteht darin, die neuen technologischen Beschleuniger nahtlos mit den menschlichen Entwicklern zu verzahnen: Der Mensch bleibt verantwortlich und orchestriert, während sich die Arbeitsweise selbst weiterentwickelt – weg von Sprints und Release-Trains, hin zu einer spezifikations- und modellgetriebenen Entwicklung, in der Agenten innerhalb klarer Leitplanken arbeiten. Wer in der gesamten Wertschöpfungskette dieses Zusammenspiel als Erster perfektioniert, wird den künftigen Markt prägen. Die Automobilindustrie verfügt traditionell über eine bemerkenswerte steile Lernkurve, und das neue Playbook liefert die Anleitung für den nächsten großen technologischen Schritt.
