Automobil · KI-Anbieter bewerten und Build-versus-Buy-Entscheidungen treffen

Ein Flottenbetreiber schließt einen Dreijahresvertrag für eine Analytics-Plattform für Connected Cars ab. Im zweiten Jahr will ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → die Alerts zur Predictive Maintenance zu einem günstigeren Anbieter verlagern. Dann stellt sich heraus: der Anbieter besitzt das trainierte Modell, behält die Telematik-Historie und verlangt eine sechsstellige Gebühr für den Export der Rohsensordaten. Die Analytics waren gut. Der Vertrag war die Falle.

Diese Lektion gibt Ihnen eine Bewertungsmethode, um diese Falle zu vermeiden: wie Sie ein KI-Angebot für Connected Cars benchmarken, die Klauseln zur Dateneigentümerschaft lesen, Model-Lock-in erkennen und entscheiden, ob Sie lizenzieren, partnern oder selbst bauen.

Die drei Optionen, definiert

Lizenzieren (buy): Sie zahlen einem Anbieter für ein fertiges KI-Produkt. Schnell, geringe Anfangskosten, am wenigsten Kontrolle. Beispiel: Abo für eine APIAPIApplication Programming Interface: eine standardisierte Schnittstelle, über die Anwendungen kommunizieren und Daten austauschen, ohne die interne Funktionsweise der jeweils anderen zu kennen.Vollständige Definition ansehen → zur Müdigkeitserkennung beim Fahrer von einem Zulieferer.

Partnern: Sie entwickeln gemeinsam mit einem Anbieter oder Tier-1-Zulieferer (ein Unternehmen, das komplette Systeme direkt an Automobilhersteller verkauft, wie Bosch oder Continental). Geteiltes IP, geteiltes Risiko. Beispiel: ein OEM (Original Equipment Manufacturer, also der Autohersteller selbst), der mit einem Kartendienstleister zusammenarbeitet, um ein Modell für autonomes Parken auf eigenen Flottendaten zu fine-tunen.

Build (in-house): Sie stellen das Team ein und besitzen alles. Höchste Kosten und langsamster Weg, aber volle Kontrolle. Beispiel: Tesla trainiert eigene Vision-Modelle auf Flottenvideos.

Die meisten Entscheidungen sind nicht binär. Häufig lizenzieren Sie die Commodity-Ebene und bauen die differenzierende Ebene selbst.

Wo KI in der automobilen Wertschöpfungskette tatsächlich greift

Bevor Sie einen Anbieter bewerten, prüfen Sie, ob der Use Case real ist und nicht nur eine Demo. KI verdient ihr Geld wirklich bei:

• Predictive Maintenance: einen ausfallenden Turbolader oder eine schwache Batteriezelle anhand von Sensormustern erkennen, bevor es zum Ausfall kommt.
• Connected-Car-Analytics: Telematik (über Mobilfunknetze übertragene Fahrzeugdaten: Geschwindigkeit, Position, Motorlast) in Insights zu Flotteneffizienz oder nutzungsbasierter Versicherung überführen.
• ADAS und Perception: Advanced Driver Assistance Systems, die Software hinter Spurhaltung und Notbremsung.
• Qualitätsprüfung in der Produktion: Computer Vision erkennt Lack- oder Schweißfehler in der Linie.

Wenn ein Anbieter „KI“ für etwas anbietet, das eine einfache Rules Engine längst löst (etwa „melde mir, wenn der Öldruck unter X fällt“), ist das keine Build-versus-Buy-Frage. Das ist Standardsoftware von der Stange.

Schritt 1: Die tatsächliche Performance benchmarken

Anbieter nennen Accuracy-Werte. Zwingen Sie sie in Ihren Kontext.

Fragen Sie nach der Performance auf Ihrer Datenverteilung, nicht auf deren Marketing-Datensatz. Ein Modell zur Fehlererkennung mit 99 Prozent Accuracy auf einem sauberen Datensatz kann bei Ihrer spezifischen Lackfarbe unter Ihrer Fabrikbeleuchtung komplett einbrechen.

Drei Fragen, die Substanz von Theater trennen:

1. Wie hoch ist die False-Positive-Rate? Ein Predictive-Maintenance-Modell, das ständig falschen Alarm schlägt, wird von Technikern innerhalb weniger Wochen ignoriert. Fragen Sie nach Precision und Recall, nicht nur nach Accuracy.
2. Wie degradiert es? Modelle driften, wenn Fahrzeuge altern und sich Fahrmuster verschieben. Fragen Sie, wie oft neu trainiert wird und wer dafür zahlt.
3. Können wir einen Shadow-Pilot fahren? Lassen Sie das Anbietermodell 60 bis 90 Tage parallel zu Ihrem aktuellen Prozess laufen, bevor Sie sich binden. Kein Pilot, kein Deal.

Ein einfaches durchgerechnetes Benchmark-Beispiel

Nehmen wir an, ein Anbieter behauptet, sein Modell zur Batteriedegradation markiert gefährdete EV-Packs (electric vehicle). Sie fahren einen Shadow-Pilot mit 1.000 Fahrzeugen. Ergebnisse:

• True Positives (markiert, tatsächlich ausgefallen): 40
• False Positives (markiert, nicht ausgefallen): 160
• Nicht erkannte Ausfälle: 10

Precision = True Positives / alle Markierungen = 40 / (40 + 160) = 20 Prozent.

Recall = True Positives / alle tatsächlichen Ausfälle = 40 / (40 + 10) = 80 Prozent.

Das Modell erkennt also die meisten Ausfälle (guter Recall), aber 80 Prozent seiner Alerts sind Rauschen (schlechte Precision). Für einen Use Case rund um Garantiekosten, bei dem ein übersehener Ausfall teuer ist, kann das akzeptabel sein. Für einen Alert, der beim Kunden landet, würde es das Vertrauen schnell untergraben. Die Zahl bedeutet nur etwas im Verhältnis zu Ihren Kosten für einen Fehlalarm versus einen übersehenen Fall.

Schritt 2: Die Klauseln zur Dateneigentümerschaft lesen

Hier gehen die meisten KI-Deals in der Automobilbranche schief. Connected Vehicles erzeugen enorme Telematikvolumen, und wer diese Daten kontrolliert, kontrolliert das künftige Modell.

Prüfen Sie im Vertrag:

• Wer besitzt die Rohdaten? Sie sollten es sein. Wenn der Anbieter die Fahrdaten Ihrer Flotte besitzt, kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen Sie später weder wechseln noch in-house bauen, ohne bei Null anzufangen.
• Wer besitzt das trainierte Modell und seine Gewichte? In einem Partner-Deal verhandeln Sie das explizit. Ein auf Ihren proprietären Daten fine-getuntes Modell ist ein strategisches Asset.
• Exportrechte und Format. Bekommen Sie Ihre Daten in einem nutzbaren, dokumentierten Format ohne Strafgebühr zurück? Lassen Sie sich die Exportgebühr schriftlich geben.
• Regulatorische Exposition. In Europa regelt die GDPR (General Data Protection RegulationGeneral Data Protection RegulationEU-Verordnung zur Erhebung, Speicherung und Nutzung personenbezogener Daten, mit Bußgeldern, die am weltweiten Umsatz bemessen werden.Vollständige Definition ansehen →) personenbezogene Daten, und Standort plus Fahrverhalten sind personenbezogene Daten. Der EU Data Act, der seit September 2025 gilt, gibt Nutzern stärkere Rechte auf Zugang zu Daten, die von verbundenen Produkten einschließlich Fahrzeugen erzeugt werden. In den USA gibt es kein einheitliches bundesweites Äquivalent; es gelten Landesgesetze wie der California Consumer Privacy Act. Stellen Sie sicher, dass die Vertragsbedingungen des Anbieters Ihre Compliance-Pflichten nicht gefährden.

🎬 [VIDEO: "The EU Data Act explained" - youtube.com - kurzer Überblick, wie der Data Act die Rechte an Daten von verbundenen Geräten und Fahrzeugen verändert]

Schritt 3: Model-Lock-in bewerten

Lock-in ist der Wechselkostenblock, den Sie erst sehen, wenn Sie gehen wollen.

Bewerten Sie jede Zeile. Wenn die meisten Ihrer Antworten in der rechten Spalte landen, kaufen Sie kein Tool, sondern mieten eine Abhängigkeit.

Ein praxistaugliches Scoring-Raster

Bewerten Sie jede Dimension mit 1 bis 5 und gewichten Sie dann nach dem, was für den Use Case zählt.

Vendor Score = (Performance x 0.30)
             + (Data ownership x 0.25)
             + (Lock-in resistance x 0.20)
             + (Integration effort x 0.15)
             + (Total cost of ownership x 0.10)

Entscheidungshilfe (illustrativ, keine harte Regel):
  >= 4.0  -> Mit Zuversicht lizenzieren
  3.0-3.9 -> Partnern und Eigentumsklauseln verhandeln
  <  3.0  -> Differenzierende Ebene selbst bauen erwägen

Passen Sie die Gewichtungen an Ihren Kontext an. Bei einer zentralen ADAS-Fähigkeit, die Ihre Marke definiert, dominieren Performance und Eigentümerschaft. Beim Flotten-Reporting im Backoffice zählen Kosten und Integrationsaufwand mehr.

Wann man selbst baut

KI in-house zu bauen ist teuer und langsam. Es ist nur sinnvoll, wenn drei Bedingungen gemeinsam erfüllt sind:

1. Die Fähigkeit ist ein Differenzierungsmerkmal. Wenn sie zum Kern Ihres Wettbewerbs gehört (Tesla und sein Vision-Stack oder das proprietäre Risikomodell eines Versicherers), ist Eigentum relevant.
2. Sie haben den Datenvorteil. Perception-Modelle zu bauen ist sinnlos ohne gelabelte Flottendaten in Größenordnung. Meist sind die Daten der Bottleneck, nicht die Talente.
3. Sie können das Team halten. Automobilunternehmen konkurrieren mit Big Tech um Machine-Learning-Engineers und verlieren häufig. Ein halb besetzter Eigenbau ist schlechter als eine gute Lizenz.

Der ehrliche Standard für die meisten Nicht-Tech-Player in der Automobilbranche lautet: die Commodity lizenzieren (Sprache, Standard-Objekterkennung), beim Semi-Custom partnern (flottenspezifische Wartungsmodelle) und nur das Kronjuwel selbst bauen.

Realistische ROIROIReturn on Investment: das Verhältnis von Nettogewinn zu den Kosten einer Investition. Ein ROI von 300 % bedeutet, dass jeder investierte Dollar 3 Dollar zurückbringt.Vollständige Definition ansehen →-Erwartungen

Modellieren Sie KI-ROI nicht als sofortigen Effekt. Rechnen Sie mit:

• Einer Pilotphase von mehreren Monaten, bevor irgendein Wert sichtbar wird.
• Kosten für Integration und Datenbereinigung, die oft die Lizenzgebühr selbst übersteigen. Praktiker in der Branche weisen häufig darauf hin, dass die Datenvorbereitung den größten Teil des Aufwands eines KI-Projekts verschlingt; behandeln Sie das als grobe Schätzung, nicht als präzise Zahl.
• Laufenden Kosten für Retraining und Monitoring. Ein Modell ist kein Kauf, es ist eine Wartungsverpflichtung.

Ein Predictive-Maintenance-Programm, das ungeplante Flottenstillstände reduziert, ist messbar: weniger Liegenbleiber, niedrigere Garantieansprüche. Bestehen Sie darauf, dass der Anbieter vorab die Metrik mitträgt, an der Sie den Erfolg messen, und die Baseline, gegen die Sie messen. „Es fühlte sich besser an“ ist kein ROI.

Wichtigste Erkenntnisse

• Benchmarken Sie auf Ihren Daten, nicht auf deren. Fahren Sie einen Shadow-Pilot über 60 bis 90 Tage und verlangen Sie Precision und Recall, nicht nur Accuracy. Ein Modell mit 20 Prozent Precision kann für Garantie-Analytics in Ordnung und für Kunden-Alerts unbrauchbar sein.
• Dateneigentümerschaft ist das ganze Spiel. Wenn der Anbieter Ihre Telematik und das trainierte Modell besitzt, haben Sie später keinen Weg zu wechseln oder selbst zu bauen. Lassen Sie sich Exportrechte für Rohdaten und die Gebühren schriftlich geben.
• Bewerten Sie Lock-in explizit über Daten, Modellportabilität, Integrationstiefe und Kontrolle über Retraining, bevor Sie unterschreiben.
• Bauen Sie nur das Kronjuwel. Commodities lizenzieren, bei Semi-Custom-Arbeit partnern und in-house nur dort bauen, wo Sie einen echten Datenvorteil haben und das Team halten können.
• Modellieren Sie KI-ROI mit Wartungsmentalität. Datenvorbereitung und Retraining kosten meist mehr als die Lizenz. Klären Sie Erfolgsmetrik und Baseline, bevor Sie starten.