Automobil · Sizing the prize: AI-Business-Cases bauen, die der Prüfung standhalten

Ein globaler Automobilhersteller startet einen Pilot: ein Modell, das vorhersagt, bei welchen Fahrzeugen Garantieansprüche anfallen, bevor sie ausfallen. Nach sechs Wochen präsentiert das Team eine Folie mit 40 Millionen Dollar jährlicher Einsparung. Der CFO stellt eine Frage: „Wie viel davon hätten wir auch ohne AI eingespart?" Im Raum wird es still. Der Pilot ist tot.

So scheitern die meisten AI-Business-Cases in der Automobilbranche. Nicht weil die Technologie nicht funktioniert, sondern weil das ROI-Modell (Return on Investment) der Prüfung nicht standhält. Bauen wir eines, das es tut.

Warum Garantieansprüche ein perfekter Testfall sind

Garantie ist ein echtes Cost Center. Automobilhersteller stellen jedes Jahr Milliarden an Garantierückstellungen zurück. Schätzungen aus dem Branchen-Tracking (Warranty Week, historische Daten) beziffern die Garantieaufwendungen großererDas 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 → Hersteller auf 1,5 bis 3 Prozent des Produktumsatzes, wobei dies je nach Hersteller und Jahr variiert.

Der AI Use Case ist real: Bauteilausfälle früher vorhersagen, mit Sensordaten, Werkstattdaten der Händler und Chargeninformationen der Lieferanten. Ein ausfallendes Teil erkennen, bevor es zum Feldausfall wird, oder eine defekte Lieferantencharge entdecken, bevor sie sich über 200.000 Fahrzeuge verteilt.

Aber „Ausfälle vorhersagen" ist kein Business Case. Ein Business Case isoliert, was die AI konkret verändert, in welchem Zeitraum, zu welchen Kosten.

Schritt 1: AI-zurechenbare Einsparungen isolieren

Der größte Einzelfehler: Einsparungen für sich verbuchen, die das Unternehmen ohnehin realisiert hätte.

Garantieaufwendungen sinken schon durch normale Engineering-Fixes, Lieferantenverhandlungen und Qualitätsprogramme. Ihr AI-Modell bekommt für diese Basisverbesserung keine Gutschrift.

Die Isolationsregel: AI-zurechenbare Einsparung = (Ergebnis mit AI) minus (Ergebnis der kontrafaktischen Baseline).

Konkretes Beispiel. Angenommen, eine Fahrzeuglinie verursacht 100 Millionen Dollar Garantieansprüche pro Jahr. Bestehende Qualitätsprogramme senken das bereits um 4 Prozent pro Jahr. Wenn das AI-Modell die Ansprüche um 7 Prozent senkt, ist nur der inkrementelle Anteil von 3 Prozent AI-zurechenbar, nicht die vollen 7.

$$\text{AI savings} = 100M \times (0.07, 0.04) = 3M$$

Nicht 7 Millionen Dollar. Diese Unterscheidung trennt ein belastbares Modell von einem Pilot, der im Büro des CFO stirbt.

Wie man das tatsächlich misst

Die glaubwürdige Methode ist eine Holdout-Gruppe: AI-Vorhersagen auf eine Gruppe von Fahrzeuglinien oder Regionen anwenden, einer vergleichbaren Gruppe vorenthalten und die Differenz messen. Dieselbe Logik wie bei einem A/B-Test.

Wenn ein vollständiger Holdout nicht möglich ist, nutzen Sie einen Vorher/Nachher-Vergleich mit Kontrollgruppe: die AI-abgedeckte Flotte gegen eine ähnliche, nicht abgedeckte Flotte im gleichen Zeitraum verfolgen, damit externe Faktoren (ein harter Winter, ein neuer Modellstart) beide Gruppen gleich treffen.

Schritt 2: Die Ramp-Kurve modellieren, nicht den Steady State

Der zweite Fehler ist die Annahme, der volle Nutzen trete ab Tag eins ein.

AI-Systeme rampen hoch. Ein Modell zur Garantievorhersage braucht Zeit, um gelabelte Ausfalldaten zu sammeln, Schwellenwerte zu tunen und das Vertrauen der Händler zu gewinnen, bevor Techniker auf seine Alerts reagieren.

Eine realistische Ramp für ein Garantiemodell 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 →önnte so aussehen (illustrativ, kein Benchmark):

Wenn die Steady-State-Einsparung 3 Millionen Dollar pro Jahr beträgt, liefert Jahr 1 keine 3 Millionen. Es liefert den gewichteten Durchschnitt über die Ramp:

$$3M \times \frac{(0.10 + 0.30 + 0.60 + 0.85)}{4} = 3M \times 0.46 \approx 1.4M$$

3 Millionen Dollar als Zahl für Jahr 1 zu präsentieren und sie dann zu verfehlen, zerstört die Glaubwürdigkeit jedes künftigen AI-Vorschlags. Zeigen Sie die Ramp explizit.

Schritt 3: Die Kosten zählen, die Teams regelmäßig vergessen

Jeder zählt die Kosten der Modellentwicklung. Fast niemand zählt die laufenden Kosten, die das Modell überhaupt funktionsfähig machen.

Data Labeling ist der versteckte Posten

Ein supervised Garantiemodell lernt aus gelabelten Beispielen: „diese Reparatur war ein echter Defekt", „dieser Anspruch war betrügerisch", „dieses Teil fiel aus Grund X aus". Irgendwer muss diese Labels erstellen, und Werkstattnotizen der Händler sind unsauberer Freitext.

Labeling ist keine Einmalkosten. Ausfallmuster entwickeln sich mit jedem Modelljahr weiter, Labels brauchen also laufende Auffrischung. Budgetieren Sie das explizit.

Illustrative Kostenstruktur für ein Modell zur Garantievorhersage:

• Initiales Labeling historischer Ansprüche: ein großer Einmalaufwand, oft mit Garantie-Ingenieuren statt günstigen Annotatoren, weil die Beurteilung eines echten Defekts Domänenwissen erfordert.
• Laufendes Labeling: wiederkehrende Quartalskosten, wenn neue Ausfallmuster auftreten.
• Model Monitoring und Drift Detection: Produktionsmodelle verschlechtern sich, wenn Fahrzeuge, Teile und Lieferanten sich ändern. Das nennt man Model Drift. Sie brauchen Engineers, die das beobachten.
• MLOps-Infrastruktur: MLOpsMLOpsMachine Learning Operations: die Verbindung von ML- und DevOps-Praktiken, um Modelle zu industrialisieren, auszurollen, zu überwachen und in der Produktion zuverlässig neu zu trainieren.Vollständige Definition ansehen → (Machine Learning Operations) ist das Tooling, um Modelle in Produktion zu deployen, zu versionieren und zu überwachen. Ein echter, wiederkehrender Posten.
• Integration: Vorhersagen in das Dealer-Management-System und den Garantie-Workflow einbinden, damit ein Mensch darauf reagiert.

Als Einstieg zu versteckten Kosten und Lifecycle von Produktionsmodellen ist Googles [MLOps-Guide](https://cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning) eine solide kostenlose Quelle.

Eine durchgerechnete Nettorechnung

Zusammengeführt für Jahr 1, illustrative Zahlen:

Jahr 1 ist negativ. Das ist in Ordnung, und es ist ehrlich. Der Steady State ab Jahr 2 sieht völlig anders aus:

Ein Modell mit Verlust in Jahr 1 und Gewinn ab Jahr 2 hält der Prüfung deutlich besser stand als eines, das sofortige Millionen verspricht.

Schritt 4: Die Annahmen unter Druck setzen

Bevor Sie präsentieren, greifen Sie Ihre eigenen Zahlen so an, wie es eine skeptische Führungskraft tun wird.

Attribution: „Beweisen Sie, dass die Einsparung von der AI kommt und nicht von unserem neuen Lieferanten." Antwort: Ihr Holdout oder Ihre Kontrollgruppe.

Precision: Ein Modell mit zu vielen False Positives verschwendet Technikerzeit und zerstört Vertrauen. Wenn das Modell einen Ausfall vorhersagt und das Teil in Ordnung ist, ist das ein False Positive, und jedes einzelne hat reale Kosten (unnötige Inspektion, Frust beim Händler). Nehmen Sie die Kosten für die Behandlung von False Positives ins Modell auf und berichten Sie Precision (welcher Anteil der markierten Teile tatsächlich ausgefallen ist) neben den Einsparungen.

Adoption: Eine Vorhersage, auf die niemand reagiert, spart nichts. Wenn Händler Alerts ignorieren, ist der Nutzen null, egal wie genau das Modell ist. Die Adoption Rate gehört ins 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 →-Modell, nicht als Nachgedanke.

Datenverfügbarkeit: Das Modell braucht Telematik- oder Sensordaten. In Europa unterliegt die Nutzung von Fahrzeugdaten der DSGVODSGVOEU-Verordnung zur Erhebung, Speicherung und Nutzung personenbezogener Daten, mit Bußgeldern, die am weltweiten Umsatz bemessen werden.Vollständige Definition ansehen → (Datenschutz-Grundverordnung), und Daten aus vernetzten Fahrzeugen können personenbezogene Daten enthalten, die einem Fahrer zuzuordnen sind. In den USA gibt es kein einheitliches Bundesäquivalent, aber Landesgesetze wie der CCPA (California Consumer Privacy Act) greifen. Wenn Ihre Data PipelineData PipelineETL (Extract, Transform, Load) ist ein Datenintegrationsprozess, der Daten aus Quellsystemen extrahiert, in ein konsistentes Format bringt und in ein Zielsystem schreibt.Vollständige Definition ansehen → nicht compliant ist, sind die Einsparungen nicht real, weil die Daten nicht genutzt werden dürfen. Benennen Sie die rechtliche Restriktion im Business Case.

Wo sich das über die Wertschöpfungskette verallgemeinern lässt

Der Garantiefall ist eine Vorlage. Dieselbe Disziplin gilt für andere echte AI-Anwendungen in der Automobilbranche:

• Predictive Maintenance für Flottenbetreiber: gleiche Ramp, gleiches Labeling-Problem (was zählt als „Ausfall").
• Vision-Modelle für Lackiererei und Schweißinspektion in der Produktion: False Positives bedeuten hier, gute Teile zu verschrotten.
• Demand Forecasting in der Supply Chain: den AI-Lift vom Urteil der bestehenden Planer isolieren.

In jedem Fall gilt die Struktur: den inkrementellen AI-Effekt isolieren, die Ramp modellieren, die versteckten Betriebskosten zählen und Adoption ins Modell holen.

Seien Sie genauso klar darüber, wo AI noch keinen klaren ROI liefert. Vollautonomes Fahren bleibt kapitalintensiv mit unsicherem Payback-Horizont. Ein Modell zur Garantievorhersage ist eine deutlich belastbarere kurzfristige Wette als ein Robotaxi-Programm, und Ihr Business Case sollte diesen Realismus abbilden.

Key Takeaways

• Verbuchen Sie nur das Inkrement. AI-zurechenbare Einsparung = Ergebnis mit AI minus kontrafaktische Baseline. Beweisen Sie es mit Holdout oder Kontrollgruppe.
• Zeigen Sie die Ramp, nicht den Steady State. Der realisierte Nutzen in Jahr 1 ist ein Bruchteil des vollen Nutzens. Ein gewichteter Ramp-Durchschnitt ist ehrlich und hält Nachfragen stand.
• Budgetieren Sie die versteckten Kosten. Data Labeling (initial und laufend), Monitoring von Model Drift, MLOps und Integration sind wiederkehrende Posten, die die meisten Teams vergessen.
• Nehmen Sie Adoption und Precision ins Modell. Ein hochgenaues Modell, das Händler ignorieren, oder eines, das sie mit False Positives überschwemmt, spart nichts.
• Benennen Sie Daten- und Regulierungsrestriktionen. Wenn DSGVO- oder CCPA-Compliance Ihre Data Pipeline blockiert, sind die prognostizierten Einsparungen nicht real.