Zusammenfassung

Die Automobilindustrie befindet sich in einem Paradoxon. Die Automobilhersteller investieren Milliarden in die Entwicklung von Fahrzeugen, die ihre Umgebung wahrnehmen, Risiken einschätzen und ohne menschliches Eingreifen handeln können – doch die Unternehmen, die diese Fahrzeuge bauen, stützen sich nach wie vor auf jährliche Planungszyklen, manuelle Entscheidungsprozesse und Systeme, die nicht für die Kommunikation untereinander ausgelegt sind. Fahrzeuge werden schneller autonom als die Unternehmen, die sie herstellen.

Diese Diskrepanz ist längst keine strategische Kuriosität mehr. In einer Branche, die gleichzeitig dem Druck durch Elektrifizierung, softwaredefinierte Fahrzeugarchitekturen, sinkende Margen und den sich verschärfenden Wettbewerb durch chinesische Hersteller ausgesetzt ist – die westliche Erstausrüster sowohl bei den Kosten als auch bei der KI-Integration übertreffen –, ist Entscheidungsverzögerung zu einem strukturellen Nachteil geworden.

Die Antwort liegt nicht in mehr Analysen oder schnelleren Dashboards. Es ist „Agentic AI“: eine neue Klasse zielorientierter Systeme, die unternehmensweit Signale erfassen, unter Berücksichtigung von Einschränkungen und Zielen Schlussfolgerungen ziehen und innerhalb festgelegter Rahmenbedingungen automatisch Maßnahmen ergreifen können. Während prädiktive KI Ihnen sagt, was passieren könnte, und Copilot-Tools Menschen dabei helfen, schneller zu entscheiden, schließt agentische KI den Kreis – sie entscheidet und handelt.

OEMs, die diese Fähigkeit in den nächsten 24 Monaten in ihre Betriebsabläufe integrieren, werden sich einen dauerhaften strukturellen Vorteil verschaffen. Diejenigen, die dies als eine Frage der Zukunft betrachten, laufen Gefahr, unwiderruflich ins Hintertreffen zu geraten – nicht auf der Straße, sondern innerhalb des Unternehmens.

Das Autonomie-Paradoxon

Fragen Sie einen beliebigen leitenden Manager eines großen Automobilherstellers nach autonomen Fahrzeugen, und er wird Ihnen ein ausgeklügeltes, finanziell gut ausgestattetes Programm beschreiben. Die Investitionen sind real: fortschrittliche Sensorfusion, KI-gestützte Fahrsteuerungssysteme, Architekturen für Over-the-Air-Updates und durchgängige Softwareplattformen, die darauf ausgelegt sind, sich noch lange nach Verlassen des Werks weiterzuentwickeln. Unternehmen wie die Volkswagen Gruppe, Mercedes-Benz, Toyota und Stellantis geben gemeinsam Dutzende Milliarden Dollar aus, um Fahrzeuge zu entwickeln, die sehen, denken und handeln können.

Fragen Sie nun denselben Führungskräfte, wie sein Unternehmen Preisentscheidungen als Reaktion auf eine plötzliche Marktveränderung trifft. Oder wie schnell seine Lieferkette reagiert, wenn ein Zulieferer der zweiten Ebene eine Störung meldet. Oder wie lange es dauert, eine Nachfrageprognose in einen angepassten Produktionsplan für mehrere Werke umzusetzen. Die Antworten offenbaren eine andere Realität: Wochen statt Stunden. Ausschüsse statt Systeme. Berichte, die im Nachhinein geprüft werden, statt Maßnahmen, die sofort ergriffen werden.

Das ist das Autonomie-Paradoxon: Die Technologie, die ein Unternehmen für die Straße entwickelt, ist der Technologie, die es für seine eigene Verwaltung nutzt, um Jahrzehnte voraus.

Die Folgen werden spürbar. Die Margen der gesamten Branche stehen unter starkem Druck – etablierte Automobilhersteller kämpfen um den Erhalt ihrer Rentabilität, während sie gleichzeitig die Kapitalintensität der Umstellung auf Elektrofahrzeuge und die Kosten für den Aufbau von Softwarekompetenzen bewältigen müssen. Unterdessen zeigen chinesische Hersteller, wie ein strukturell kostengünstigeres und agileres Geschäftsmodell in der Praxis aussieht. Sie produzieren jährlich etwa 30 Millionen Fahrzeuge – etwa doppelt so viel wie Nordamerika – und fertigen zu Kosten, die 25–30 % niedriger sind als irgendwo sonst auf der Welt. Ein wesentlicher Teil dieses Vorteils ist operativer Natur: KI ist nicht als Projekt, sondern als Teil der Geschäftsführung integriert.

Aufgrund dieser Verzögerung kann es zu einer gewissen Diskrepanz kommen. Hersteller geben Hunderte- oder Tausende von Dollar aus, um Autos mit Funktionen auszustatten, die Kunden niemals nutzen werden. Und dann geben sie Millionen an Betriebskosten aus, um Funktionen zu warten – insbesondere die des vernetzten Autos –, die nur von einer Handvoll Menschen genutzt werden. Und manchmal hat sich die Kundennachfrage verschoben: Was Kunden Ihnen heute sagen, was sie wollen, unterscheidet sich von dem, was sie tatsächlich in einem Jahr nutzen werden.

Der Wettbewerbsdruck zeigt sich auch im Verbraucherverhalten. Untersuchungen zeigen, dass 84% der chinesischen Autofahrer angeben, KI-Funktionen würden sie zum Kauf eines Fahrzeugs motivieren, während dies bei den europäischen Autofahrern nur auf 48% zutrifft. Diese Diskrepanz spiegelt eine unterschiedliche Beziehung zur Technologie wider – und sie verringert sich rasch, da KI-orientierte chinesische Elektrofahrzeuge mit Preis- und Ausstattungsmerkmalen auf die westlichen Märkte drängen, denen traditionelle OEMs allein durch schrittweise Verbesserungen nicht gewachsen sind.

Die Schlussfolgerung ist klar: Die Verbesserung des Fahrzeugs ist notwendig, aber nicht ausreichend. Das Wettbewerbsfeld wird immer größer. Und erfolgreich sein werden jene Unternehmen, die lernen, mit der Geschwindigkeit von Maschinen zu agieren – und nicht nur mit dieser Geschwindigkeit zu entwickeln und zu produzieren.

Was ist ein selbstfahrendes Unternehmen?

Ein selbststeuerndes Unternehmen ist ein Unternehmen, in dem Systeme kontinuierlich interne und externe Signale erfassen, Ziele und Rahmenbedingungen abwägen und Maßnahmen automatisch ausführen – unter menschlicher Aufsicht und Steuerung, jedoch ohne menschliche Engpässe.

Dieser Unterschied ist von Bedeutung. Es handelt sich hierbei nicht um eine Vision der vollständigen Automatisierung oder der Abschaffung menschlichen Urteilsvermögens. Vielmehr geht es um eine grundlegende Verlagerung des Schwerpunkts menschlicher Aufmerksamkeit: weg von der operativen Koordination hin zu strategischer Steuerung, der Behandlung von Ausnahmesituationen und der kontinuierlichen Verbesserung der Systeme selbst.

Betrachten wir ein konkretes Beispiel. Wenn heute ein wichtiger Lieferant einen möglichen Engpass signalisiert, umfasst die Reaktion eines OEM in der Regel eine Reihe von Eskalationsschritten: Ein Einkäufer meldet das Problem, ein funktionsübergreifendes Team wird einberufen, Optionen werden manuell modelliert, eine Entscheidung wird durch mehrere Managementebenen genehmigt, und Anweisungen werden an die Beschaffungs- und Produktionsteams erteilt. Die dafür benötigte Zeit wird in Tagen oder Wochen gemessen. In einem selbststeuernden Unternehmen löst dasselbe Signal einen automatisierten Entscheidungsprozess aus: Der Agent bewertet die Auswirkungen auf die betroffenen Produktionslinien, prüft alternative Beschaffungsoptionen unter Berücksichtigung von Kosten, Vorlaufzeiten und Qualitätsanforderungen, schlägt eine Umplanungsmaßnahme vor oder führt diese durch und protokolliert seine Entscheidungsgründe zur Überprüfung durch den Menschen. Die Reaktion erfolgt innerhalb von Minuten, nicht Tagen.

Hierbei handelt es sich nicht um robotergestützte Prozessautomatisierung, die eng gefasste, regelbasierte Aufgaben innerhalb eines einzelnen Systems automatisiert. Es handelt sich auch nicht um einen Copiloten, der Empfehlungen anzeigt, auf die ein Mensch reagieren soll. Und es ist kein Vorhersagemodell, das Ergebnisse prognostiziert, ohne den Regelkreis zu schließen. Es ist etwas qualitativ anderes: ein zielorientiertes System, das über mehrere Systeme hinweg Schlussfolgerungen zieht, konkurrierende Einschränkungen abwägt und Maßnahmen ergreift.

Dieser Wandel ist nicht nur operativ, sondern auch organisatorisch von großer Bedeutung. In einem „Self-Driving Enterprise“ basieren die Infrastruktur, die Governance-Rahmenbedingungen und die Betriebsmodelle auf der Prämisse, dass Systeme eigenständig handeln – und Menschen diese Handlungen steuern und optimieren. Dies erfordert einen grundlegend anderen Ansatz in Bezug auf Prozessgestaltung, Technologiearchitektur und die Kompetenzen der Mitarbeiter.

Agentische KI: Die fehlende Ebene

Die meisten OEMs haben in den letzten zehn Jahren erhebliche Investitionen in data und KI getätigt. Sie haben data-Lakes aufgebaut, Vorhersagemodelle implementiert und in jüngerer Zeit begonnen, mit generativer KI und Copilot-Tools zu experimentieren. Dennoch bleibt die Kluft zwischen diesen Investitionen und echter operativer Autonomie weiterhin groß. Um zu verstehen, warum dies so ist, muss man genau wissen, was die verschiedenen KI-Klassen tatsächlich leisten.

Vorausschauende KI – Nachfrageprognosen, Erkennung von Qualitätsmängeln, vorausschauende Wartung – hat für OEMs einen echten Mehrwert geschaffen. Sie ist jedoch grundsätzlich passiv: Sie liefert Informationen für Entscheidungen, trifft diese aber nicht selbst. Eine Prognose einer Lieferunterbrechung ist nur dann von Nutzen, wenn jemand schnell genug darauf reagiert. Generative KI und Copilot-Tools beschleunigen die menschliche Entscheidungsfindung, beziehen den Menschen jedoch bei jeder Maßnahme weiterhin in den Entscheidungsprozess mit ein. In einem schnelllebigen, hochkomplexen Betriebsumfeld bleibt dies eine Einschränkung.

Agentische KI unterscheidet sich in drei wesentlichen Punkten. Erstens ist sie zielorientiert: Anstatt auf eine bestimmte Anfrage zu reagieren oder eine einzelne Ausgabe zu generieren, verfolgt ein Agent ein Ziel – etwa die Minimierung von Produktionsausfällen, die Maximierung der Marge bei einer Fahrzeugkonfiguration oder die Lösung eines Garantieproblems –, indem er eine Abfolge von Maßnahmen plant und ausführt. Zweitens ist sie systemübergreifend kontextbewusst: Ein Agent kann gleichzeitig Daten aus einem ERP-System, einem PLM-System, einem Lieferantenportal und einem Markt-Feed abrufen und diese miteinander verknüpfen, anstatt nur innerhalb eines einzelnen Tools zu arbeiten. Drittens arbeitet er in einem geschlossenen Regelkreis: Er handelt, beobachtet das Ergebnis und passt sich an – wodurch er seine eigene Leistung im Laufe der Zeit kontinuierlich verbessert.

Insbesondere für OEMs ist diese Fähigkeit aufgrund der Besonderheiten ihres Betriebsumfelds von einzigartiger Bedeutung. Wertschöpfungsketten in der Automobilbranche sind durch massive gegenseitige Abhängigkeiten gekennzeichnet – eine Veränderung an einem Knotenpunkt wirkt sich auf Dutzende andere aus. Eine Änderung des Produktionsplans wirkt sich gleichzeitig auf die Abrufe bei Zulieferern, die Logistikpläne, die Händlerbestände und den Cashflow aus. Eine Preisanpassung wirkt sich auf die Nachfrage, die Wettbewerbspositionierung, Restwerte und Finanzdienstleistungsprodukte aus. Diese Abwägungen sind zu komplex, zu kontinuierlich und zu zeitkritisch, um weiterhin von Menschen bewältigt zu werden. Agentische KI ist die fehlende Ebene, die es ermöglicht, diese Prozesse mit maschineller Geschwindigkeit zu bewältigen.

Die jüngste Weiterentwicklung der Schlussfolgerungsfähigkeiten großer Sprachmodelle in Verbindung mit dem Aufkommen von Frameworks zur Koordination mehrerer Agenten bedeutet, dass die Entwicklung produktionsreifer agentenbasierter Systeme nicht länger nur ein Forschungsvorhaben ist. Die Technologie ist bereit. Die Frage für Führungskräfte von Erstausrüstern lautet: Sind ihre Unternehmen dazu bereit?.

Anwendungsfälle mit großer Wirkung entlang der gesamten Wertschöpfungskette

Agentische KI ist keine Lösung auf der Suche nach einem Problem. Entlang der gesamten Wertschöpfungskette der Erstausrüster gibt es konkrete, wertschöpfungsintensive Prozesse, in denen Entscheidungsverzögerungen und der Koordinationsaufwand durch menschliches Handeln zu messbaren Wettbewerbs- und finanziellen Nachteilen führen. Die folgenden Bereiche bieten das größte kurzfristige Potenzial.

Konstruktion und Entwicklung

KI beginnt bereits, die Art und Weise zu verändern, wie Fahrzeuge konzipiert und validiert werden. Generative Design-Tools können in der Zeit, in der ein menschliches Team eine einzige Alternative prüft, Tausende von technischen Alternativen durchspielen. General Motors demonstrierte dies eindrucksvoll, als das Unternehmen KI einsetzte, um eine Sicherheitsgurtbefestigung neu zu konstruieren: Das System fasste acht Komponenten zu einem einzigen Teil zusammen, das 40% leichter und 20% fester war, wobei es über 150 Konstruktionsalternativen autonom bewertete. Über einzelne Komponenten hinaus ermöglichen Digital-Twin- und Simulationsfunktionen Ingenieuren die Durchführung virtueller Validierungszyklen – einschließlich Crashtests, thermischer Modellierung und Systemintegrationsprüfungen – in einem Umfang und mit einer Geschwindigkeit, die physische Tests nicht erreichen können.

Die Agentenebene eröffnet eine weitere Dimension: Agenten, die Änderungsanträge überwachen, deren Auswirkungen auf die nachgelagerten Fertigungs- und Lieferkettensysteme bewerten, Konflikte kennzeichnen und Genehmigungen automatisch weiterleiten. Bei großen Erstausrüstern, bei denen das Änderungsmanagement jährlich Tausende von Stunden an Koordinationsaufwand erfordern kann, bedeutet dies einen erheblichen operativen Gewinn.

Koordination der Lieferkette

In der Lieferkette werden die Kosten einer verzögerten Entscheidungsfindung wohl am unmittelbarsten sichtbar. Der Halbleiterengpass von 2021–23 hat gezeigt, wie schnell sich Störungen an einem einzigen Knotenpunkt auf globale Produktionsnetzwerke ausbreiten können – und dass diejenigen OEMs am besten darauf reagieren konnten, die über die dynamischsten data-driven-Betriebsmodelle verfügten. Teslas Fähigkeit, während der Chipknappheit schnell umzuschwenken – indem die Firmware rasch umgeschrieben wurde, um alternative Komponenten zu integrieren, und die Lieferantenbeziehungen entsprechend neu gestaltet wurden –, war zum Teil auf die durch KI ermöglichte Transparenz und Reaktionsfähigkeit der Lieferkette zurückzuführen, die traditionelle OEMs nicht nachahmen konnten.

Agentenbasierte Lieferkettensysteme überwachen kontinuierlich Signale aus Lieferantennetzwerken, von Logistikdienstleistern, aus dem Zoll- und Regulierungsumfeld sowie aus internen Produktionsplänen. Wird eine Störung erkannt – oder sogar vorweggenommen –, können die Agenten alternative Beschaffungsoptionen prüfen, die Auswirkungen auf Kosten und Vorlaufzeiten jeweils bewerten, eine Umplanungsmaßnahme vorschlagen oder durchführen und die relevanten Beteiligten benachrichtigen – und das alles innerhalb von Minuten statt Tagen. Das Ergebnis ist eine Lieferkette, die Störungen nicht nur übersteht, sondern sich in Echtzeit an sie anpasst.

Produktionsplanung und Betriebsabläufe

Die Produktionsplanung in einer OEM-Umgebung mit mehreren Werken erfordert die gleichzeitige Abwägung hunderter Variablen: Kapazitäten über Produktionslinien und Schichten hinweg, Abfolgebedingungen, Lagerbestände für Tausende von Teilen, Verfügbarkeit von Arbeitskräften, Energiekosten sowie Nachfragesignale aus den Märkten, die sich täglich ändern können. Heute ist dies ein weitgehend personalintensiver Prozess, bei dem Planer viel Zeit damit verbringen, Daten aus isolierten Systemen abzugleichen und Kompromissentscheidungen zu treffen, die algorithmisch bewältigt werden könnten.

Agentenbasierte Planungssysteme können diese Variablen kontinuierlich optimieren, indem sie Pläne dynamisch an Echtzeitdaten anpassen und aus den Ergebnissen früherer Entscheidungen lernen. Die Vorteile summieren sich: geringere Leerlaufzeiten, niedrigere Lagerhaltungskosten, schnellere Reaktion auf Nachfrageschwankungen und verbesserter Durchsatz – und das alles, ohne dass bei jedem Schritt eine menschliche Koordination erforderlich ist.

Preisgestaltung und Geschäftsbetrieb

Die Preisgestaltung in der Automobilbranche ist eines der komplexesten Optimierungsprobleme in jeder Branche. Dabei gilt es, Restwerte, Wettbewerbspositionierung, Händlerökonomie, Finanzdienstleistungsprodukte, regionale Nachfrage und Lagerbestände in Einklang zu bringen – und die Situation verändert sich schneller denn je, da die Verbreitungsraten von Elektrofahrzeugen je nach Markt unterschiedlich verlaufen und chinesische Wettbewerber aggressive Preisstrategien verfolgen. Viele OEMs arbeiten nach wie vor mit Preisbildungsprozessen, die in wöchentlichen oder monatlichen Zyklen ablaufen, wodurch unter sich rasch verändernden Bedingungen erhebliche Margen ungenutzt bleiben.

Agentenbasierte Preissysteme können Marktsignale, Wettbewerberaktivitäten und Lagerbestände kontinuierlich überwachen und so Preisempfehlungen nahezu in Echtzeit generieren und umsetzen. In Kombination mit Agenten, die die Kommunikation mit Händlern sowie Finanzdienstleistungsprodukte verwalten, entsteht ein Geschäftsmodell, das mit der Geschwindigkeit des Marktes auf diesen reagiert.

Marketing und Kundenerlebnis

Im traditionellen OEM-Modell ist Marketing ein linearer Prozess: Die Markenstrategie führt zu Kreativ-Briefings, diese wiederum zur Umsetzung durch die Agentur und schließlich zum Medieneinkauf. Dieser “Staffellauf” ist langsam, kostspielig und oft losgelöst von Echtzeit-Marktsignalen. Das „Self-Driving Enterprise“ wandelt die Marketingfunktion von einem arbeitsintensiven Kostenfaktor in einen schlanken, hochdynamischen Wachstumsmotor um.

In dieser neu gestalteten Funktion wandelt sich das “Kampagnenbriefing” von einem statischen Dokument zu einem dynamischen, iterativen Dialog: Ein leitender Marketingmitarbeiter definiert übergeordnete Geschäftsziele, und ein „Agentic Orchestrator“ analysiert das Ziel umgehend, indem er das Echtzeit-Inventar und die Daten der Wettbewerber (data) auswertet, um die Strategie und den Kanalmix autonom zu optimieren.

Dieser Wandel ermöglicht es Marketingteams, deutlich schlanker zu bleiben und gleichzeitig ihre Wirkung zu steigern, da die Mitarbeiter die gesamte Pipeline von der Kreativphase bis zur Auslieferung verwalten – dabei generieren sie Tausende von hyperlokalisierten Assets und steuern gleichzeitig Millionen von individuellen Kundenreisen. Indem sie einzelne Reibungspunkte analysieren – beispielsweise warum ein Interessent einen Konfigurator verlassen hat –, setzen die Mitarbeiter personalisierte Maßnahmen in Echtzeit ein und stimmen so die globale Markenstrategie effektiv auf die lokale Händlerrealität und die individuellen Absichten der Kunden ab.

Kundendienst und Kundenbetreuung

Die Wertschöpfungskette im After-Sales-Bereich – Garantiemanagement, Serviceterminplanung, Ersatzteillogistik und Kundenkommunikation – ist sowohl umsatzstark als auch in hohem Maße für agentenbasierte Ansätze geeignet. Vernetzte Fahrzeuge generieren kontinuierlich Telematikdaten, die auf Wartungsbedarf, aufkommende Fehler und Nutzungsmuster hinweisen können. Agenten können diese Daten auf Flottenebene verarbeiten, proaktive Serviceeingriffe auslösen, die Kundenkommunikation personalisieren und Garantiefälle automatisch dem entsprechenden Lösungspfad zuweisen.

Tesla hat die Leistungsfähigkeit dieses Ansatzes unter Beweis gestellt: Seine Fahrzeugflotte generiert gemeinsam Fahrdaten, die alles verbessern – vom Autopiloten bis hin zu Designentscheidungen – und schafft so einen positiven Lernkreislauf, der gleichzeitig in das Produkt und das Geschäft eingebettet ist. Die meisten etablierten OEMs haben Millionen vernetzter Fahrzeuge auf den Straßen, nutzen diese Daten jedoch noch nicht annähernd in vollem Umfang und setzen sie auch nicht entsprechend um. Agente-basierte After-Sales-Systeme bieten einen direkten Weg, diese Lücke zu schließen.

Was ist erforderlich, um dies zu verwirklichen?

Die Technologie für agentenbasierte KI entwickelt sich rasant weiter. Die größere Herausforderung für die meisten OEMs besteht nicht darin, die Agenten zu entwickeln, sondern die Voraussetzungen zu schaffen, unter denen diese Agenten effektiv arbeiten können. Dies erfordert unterstützende Maßnahmen auf zwei Ebenen: organisatorisch und technisch.

Organisatorische Rahmenbedingungen

Die häufigste Fehlerquelle bei KI in Unternehmen ist nicht technischer Natur: Sie besteht darin, komplexe Systeme auf fehlerhafte oder schlecht konzipierte Prozesse aufzusetzen. Agente-basierte KI verstärkt das, was bereits vorhanden ist. Ist der zugrunde liegende Prozess fehlerhaft, wird ein Agent diesen Fehler mit hoher Geschwindigkeit und in großem Umfang ausführen. Die Neugestaltung von Prozessen – nicht nur deren Automatisierung – muss daher dem Einsatz von Agenten vorausgehen oder diesen begleiten.

Ebenso entscheidend ist die Governance. Autonome Systeme, die ohne klare Verantwortungsstrukturen, Prüfpfade und Eskalationsmechanismen agieren, bergen operative Risiken und Reputationsrisiken. OEMs müssen KI-Governance-Rahmenwerke etablieren, die festlegen, wozu Agenten befugt sind, wie ihre Entscheidungen protokolliert und begründet werden und wie Ausnahmen an die menschliche Aufsicht eskaliert werden. Dies ist keine Bürokratie – es ist die Grundlage, die den autonomen Betrieb vertrauenswürdig genug macht, um skaliert werden zu können.

Am wichtigsten ist vielleicht, dass sich die Belegschaft weiterentwickeln muss. Der Wandel hin zu einem „Self-Driving Enterprise“ macht menschliches Fachwissen nicht überflüssig – er verändert vielmehr die Art dieses Fachwissens. Planer, Analysten und Betriebsleiter müssen die Fähigkeiten entwickeln, um die Ziele der Agenten zu definieren, deren Ergebnisse zu interpretieren, zu erkennen, wann ein Eingreifen erforderlich ist, und die von ihnen betreuten Systeme kontinuierlich zu verbessern. Dies erfordert Investitionen in den Kompetenzaufbau und einen echten Wandel in der Strukturierung von Rollen und Anreizen.

Technische Voraussetzungen

Für einen effektiven Einsatz agentischer KI im OEM-Kontext sind drei technische Grundlagen unabdingbar.

  1. Echtzeit- und ereignisgesteuerte data-Architekturen — Agenten müssen Signale erkennen und darauf reagieren, sobald sie auftreten, und nicht erst, wenn sie in einem Sammelbericht erscheinen. Dies erfordert den Übergang von periodischen data-Aktualisierungen zu Streaming-Architekturen, die Ereignisse – eine verspätete Lieferung eines Lieferanten, eine überschrittene Qualitätsschwelle, eine Verschiebung des Nachfragesignals – in Echtzeit anzeigen.
  2. Gemeinsame semantische Modelle — Agenten, die funktionsübergreifend arbeiten, benötigen eine gemeinsame Sprache für die Objekte, mit denen sie arbeiten: Produkte, Werke, Teile, Kunden, Aufträge. Ohne gemeinsame Definitionen kann ein Agent, der sowohl den Einkauf als auch die Produktion abdeckt, eine Bestellung nicht zuverlässig mit einem Produktionsplan verknüpfen. Der Aufbau und die Pflege dieser gemeinsamen Modelle sind zwar wenig glamourös, aber unverzichtbar.
  3. Vertrauensschichten: Herkunft, Erklärbarkeit und Überprüfbarkeit — Damit Agenten mit weitreichenden Entscheidungen betraut werden können, muss jede Handlung nachvollziehbar sein. Welchen data-Ansatz hat der Agent verwendet? Welche Argumentation hat er angewendet? Welche Alternativen hat er in Betracht gezogen? Diese Fragen müssen beantwortet werden können – sowohl im Hinblick auf die interne Governance als auch zunehmend im Hinblick auf die Einhaltung gesetzlicher Vorschriften.

Fahrplan: Die nächsten 24 Monate

Die Entwicklung zu einem selbststeuernden Unternehmen ist kein einmaliges Transformationsprogramm – es handelt sich vielmehr um eine Fähigkeit, die schrittweise aufgebaut wird, beginnend mit hochwertigen, klar abgegrenzten Maßnahmen, die im Zuge der zunehmenden Reife der Infrastruktur und des Vertrauens ausgeweitet werden. Die folgende Roadmap spiegelt einen pragmatischen Ansatz wider, der auf die organisatorischen Gegebenheiten eines großen OEM abgestimmt ist.

Monate 0–6: Grundlagen und Nachweis des Nutzens

Oberste Priorität hat die Ermittlung von zwei bis drei Prozessen, bei denen Entscheidungsverzögerungen messbare Kosten verursachen oder den Wettbewerbsvorteil beeinträchtigen – und bei denen die data- und Integrationsgrundlagen bereits so weit an Produktionsreife heranreichen, dass ein agentenbasierter Einsatz möglich ist. Die Reaktion auf Störungen in der Lieferkette und die Produktionsplanung sind für die meisten OEMs aufgrund des Umfangs der damit verbundenen Entscheidungen und der unmittelbaren finanziellen Auswirkungen besonders geeignete Kandidaten.

Neben der Prozessauswahl sollte in dieser Phase der Governance-Rahmen festgelegt werden, der allen nachfolgenden Implementierungen zugrunde liegt: Entscheidungsebenen, Anforderungen an die Nachprüfbarkeit und Erklärbarkeit, Eskalationsprotokolle sowie die Kennzahlen, anhand derer die Leistung der Agenten bewertet wird. Es ist wesentlich einfacher, die Governance frühzeitig richtig zu gestalten, als sie später nachzurüsten.

Monate 6–12: Kontrollierte Einführung und Lernphase

Die ersten Agenten sollten im Modus der ‘überwachten Autonomie’ eingesetzt werden: Der Agent führt Schlussfolgerungen an und schlägt Maßnahmen vor, doch ein Mensch muss diese vor der Ausführung genehmigen. Dies stärkt das Vertrauen innerhalb der Organisation, deckt Grenzfälle und Fehlerquellen auf und liefert die erforderlichen Leistungsdaten, um eine Ausweitung der Befugnisse des Agenten zu rechtfertigen. Die Rückkopplungsschleife zwischen den Ergebnissen des Agenten und der menschlichen Überprüfung ist selbst eine wertvolle Quelle für Trainingssignale.

In dieser Phase sollten die Investitionen in die technischen Grundlagen fortgesetzt werden – insbesondere in die gemeinsamen semantischen Modelle und die Echtzeit-data-Infrastruktur, die benötigt werden, wenn sich die Agenten auf weitere Prozesse und Funktionen ausweiten. Es ist zudem der richtige Zeitpunkt, um mit den Personalentwicklungsprogrammen zu beginnen, die die Teams in die Lage versetzen, die Systeme, mit denen sie arbeiten, zu steuern und zu verbessern.

Monate 12–24: Skalierung und systemische Integration

In dem Maße, wie sich die Leistungsdaten data ansammeln und sich die Wirksamkeit der Governance-Rahmenbedingungen bestätigt, kann der Einsatzbereich der Agenten erweitert werden – sowohl auf weitere Prozesse innerhalb bewährter Bereiche als auch auf neue Bereiche wie Preisoptimierung, Änderungsmanagement im Engineering und After-Sales-Aktivitäten. Die bedeutendste Wertschöpfung in dieser Phase entsteht durch Integration: Agenten, die funktionsübergreifend agieren und voneinander lernen, schaffen die Closed-Loop-Intelligenz, die ein echtes „Self-Driving Enterprise“ ausmacht.

Nach Ablauf von 24 Monaten sollten führende OEMs über agentenbasierte Systeme verfügen, die in verschiedenen Bereichen der Wertschöpfungskette zum Einsatz kommen, sowie über ein ausgereiftes Rahmenwerk für Governance und Nachvollziehbarkeit und über organisatorische Kompetenzen – in den Bereichen data-Engineering, KI-Betrieb und Change Management –, deren Wert sich mit jeder weiteren Implementierung erhöht.

Fazit

Die weltweite Verbreitung vollautonomer Fahrzeuge wird länger dauern als erwartet. In den meisten wichtigen Märkten sind Fragen der regulatorischen Harmonisierung, der Haftungsregelungen, der Sicherheitsprüfung und der infrastrukturellen Einschränkungen nach wie vor ungelöst. Die optimistischsten Prognosen der Branche hinsichtlich der großflächigen Einführung von Fahrzeugen der Stufen 4 und 5 wurden immer wieder nach unten korrigiert.

Autonome Unternehmen lassen sich bereits heute aufbauen. Die Technologie ist bereit, die Anwendungsfälle haben sich in benachbarten Branchen bewährt, und der Wettbewerbsdruck, zu handeln, nimmt zu. OEMs, die agentische KI in ihren gesamten Betriebsabläufen einsetzen, werden schneller vorankommen, kostengünstiger arbeiten und kontinuierlich lernen – und so institutionelle Intelligenz aufbauen, die sich im Laufe der Zeit verstärkt. Wer abwartet, wird feststellen, dass es mit jedem Quartal schwieriger wird, diese Lücke zu schließen.

Die Unternehmen, die das nächste Kapitel der Automobilindustrie prägen werden, sind nicht unbedingt diejenigen mit den fortschrittlichsten Fahrzeugen. Es sind diejenigen, die das Gesamtbild im Blick haben: Sie bauen Maschinen, die auf der Straße denken, und gleichzeitig Unternehmen, die innerhalb der Organisation denken.

Der Wettlauf um Autonomie findet nicht nur auf der Straße statt. Er findet auch innerhalb der Unternehmen statt. Und er hat bereits begonnen.