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

# KI-Anbieter bewerten und Build-versus-Buy-Entscheidungen treffen

Ein Flottenbetreiber unterschreibt einen Dreijahresvertrag für eine Connected-Car-Analytics-Plattform. 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 Predictive-Maintenance-Alerts zu einem günstigeren Anbieter verlagern. Dabei stellt sich heraus: Der Anbieter besitzt das trainierte Modell, behält die Telematik-Historie und verlangt einen sechsstelligen Betrag 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 Connected-Car-KI-Angebot benchmarken, die Klauseln zum Dateneigentum 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: das Abonnement einer Driver-Drowsiness-Detection-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 → bei einem Zulieferer.

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

Bauen (in-house): Sie stellen das Team ein und besitzen alles. Höchste Kosten und am langsamsten, dafür 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 Automotive-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 defekten Turbolader oder eine schwächelnde Batteriezelle anhand von Sensormustern erkennen, bevor es zum Ausfall kommt.
• Connected-Car-Analytics: Telematik (über Mobilfunk übertragene Fahrzeugdaten: Geschwindigkeit, Position, Motorlast) in Insights zu Flotteneffizienz oder nutzungsbasierter Versicherung überführen.
• ADAS und Perception: Advanced Driver Assistance Systems, also die Software hinter Spurhalteassistent und Notbremsung.
• Qualitätsprüfung in der Fertigung: Computer Vision erkennt Lack- oder Schweißfehler in der Linie.

Wenn ein Anbieter „KI“ für etwas anbietet, das eine einfache Regel-Engine bereits löst (zum Beispiel „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 ihrem Marketing-Datensatz. Ein Defect-Detection-Modell mit 99 Prozent Accuracy auf einem sauberen Datensatz kann bei Ihrer spezifischen Lackfarbe unter Ihrer Werksbeleuchtung völlig 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 das bezahlt.

3. Können wir einen Shadow-Pilot fahren? Lassen Sie das Anbietermodell 60 bis 90 Tage parallel zu Ihrem aktuellen Prozess laufen, bevor Sie sich festlegen. Kein Pilot, kein Deal.

Ein einfaches durchgerechnetes Benchmark

Angenommen, ein Anbieter behauptet, sein Modell zur Batteriedegradation markiere gefährdete EV-Packs (Elektrofahrzeug). Sie fahren einen Shadow-Pilot mit 1.000 Fahrzeugen. Ergebnisse:

• True Positives (markiert, tatsächlich ausgefallen): 40
• False Positives (markiert, nicht ausgefallen): 160
• Übersehene 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 kundenseitigen Alert würde es das Vertrauen schnell untergraben. Die Zahl bedeutet nur etwas im Verhältnis zu Ihren Kosten eines Fehlalarms gegenüber einem übersehenen Fall.

Schritt 2: Die Klauseln zum Dateneigentum lesen

Hier gehen die meisten Automotive-KI-Deals schief. Connected Vehicles erzeugen enorme Telematikvolumina, und wer diese Daten kontrolliert, kontrolliert das 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 →ünftige Modell.

Prüfen Sie den Vertrag auf:

• Wem gehören die Rohdaten? Ihnen. 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 den Anbieter wechseln noch in-house bauen, ohne bei null anzufangen.
• Wem gehören das trainierte Modell und seine Gewichte? In einem Partner-Deal verhandeln Sie das ausdrücklich. Ein Modell, das auf Ihren proprietären Daten fine-getunt wurde, ist ein strategisches Asset.
• Exportrechte und Format. Bekommen Sie Ihre Daten in einem nutzbaren, dokumentierten Format ohne Strafgebühren zurück? Lassen Sie sich die Exportgebühr schriftlich geben.
• Regulatorische Exponierung. In Europa regelt die DSGVO (Datenschutz-Grundverordnung) 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 vernetzten Produkten einschließlich Fahrzeugen erzeugt werden. In den USA gibt es kein einheitliches föderales Äquivalent; es gelten Landesgesetze wie der California Consumer Privacy Act. Stellen Sie sicher, dass die Bedingungen des Anbieters Ihre Compliance-Pflichten nicht gefährden.

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

Schritt 3: Model-Lock-in bewerten

Lock-in sind die Wechselkosten, die Sie erst sehen, wenn Sie gehen wollen.

| Lock-in-Faktor | Geringes Risiko | Hohes Risiko |

|---|---|---|

| Dateneigentum | Sie besitzen die Rohdaten | Der Anbieter besitzt sie |

| Modellportabilität | Standardformate, exportierbar | Proprietär, nicht exportierbar |

| Integrationstiefe | 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 →-basiert, austauschbar | Fest in Ihre Systeme verdrahtet |

| Kontrolle über Retraining | Sie 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 neu trainieren oder wechseln | Nur durch den Anbieter, Black Box |

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 von 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 starre Regel):
  >= 4.0  -> Mit Zuversicht lizenzieren
  3.0-3.9 -> Partnern und Eigentumsklauseln verhandeln
  <  3.0  -> Die differenzierende Ebene selbst bauen erwägen

Passen Sie die Gewichte an Ihren Kontext an. Bei einer zentralen ADAS-Fähigkeit, die Ihre Marke definiert, dominieren Performance und Eigentum. Bei Backoffice-Flottenreporting zählen Kosten und Integrationsaufwand mehr.

Wann selbst bauen

KI in-house zu bauen ist teuer und langsam. Es ergibt nur Sinn, wenn drei Bedingungen zusammen 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 wichtig.

2. Sie haben den Datenvorteil. Perception-Modelle zu bauen ist sinnlos ohne gelabelte Flottendaten in großem MaMaEinsatz von Software, um wiederkehrende Marketingaufgaben und Kampagnen zu automatisieren und Personalisierung in großem Maßstab über Kanäle wie E-Mail, Web und Social zu ermöglichen.Vollständige Definition ansehen →ßstab. Nicht Talent, sondern Daten sind meist der Engpass.

3. Sie können das Team halten. Automobilunternehmen konkurrieren mit Big Tech um Machine-Learning-Engineers und verlieren oft. Ein halb besetztes Build-Projekt ist schlechter als eine gute Lizenz.

Der ehrliche Default für die meisten Nicht-Tech-Player im Automotive-Bereich lautet: die Commodity lizenzieren (Speech, 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-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 → nicht als sofortigen Effekt. Rechnen Sie mit:

• Einer Pilotphase von mehreren Monaten, bevor sich überhaupt Wert zeigt.
• Integrations- und Datenbereinigungskosten, die oft die Lizenzgebühr selbst übersteigen. Praktiker weisen häufig darauf hin, dass die Datenaufbereitung den Großteil des Aufwands eines KI-Projekts verschlingt; behandeln Sie das als grobe Schätzung, nicht als exakte 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 sich der Anbieter vorab auf die Metrik festlegt, an der Sie Erfolg messen, und auf die Baseline, gegen die Sie messen. „Fühlte sich besser an“ ist kein 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 →.

Die wichtigsten 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 Kundenalerts unbrauchbar sein.
• Dateneigentum ist das ganze Spiel. Wenn der Anbieter Ihre Telematik und das trainierte Modell besitzt, haben Sie keinen Weg zu wechseln oder später selbst zu bauen. Lassen Sie sich Exportrechte für Rohdaten und die Gebühren schriftlich geben.
• Bewerten Sie Lock-in explizit entlang Daten, Modellportabilität, Integrationstiefe und Kontrolle über Retraining, bevor Sie unterschreiben.
• Bauen Sie nur das Kronjuwel. Commodities lizenzieren, bei Semi-Custom-Arbeit partnern und nur dort in-house bauen, wo Sie einen echten Datenvorteil haben und das Team halten 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.
• Modellieren Sie KI-ROI mit Wartungsmentalität. Datenaufbereitung und Retraining kosten meist mehr als die Lizenz. Einigen Sie sich vor dem Start auf Erfolgsmetrik und Baseline.