Generative KI trifft auf Automobilentwicklung: Die KI-Reise der IAV

Intro

In dieser Folge spricht Felix Schlenther mit Michael Reichel und Johannes Dornheim von der IAV über den Einfluss generativer KI auf die Automobilentwicklung. Die IAV, ein Ingenieursdienstleister mit 6.500 Mitarbeitenden, hat mit ihrer KI-Lösung Devpanion das Requirements Engineering transformiert und erzielt dort Effizienzgewinne von 25 bis 50 Prozent. Die beiden Gäste geben Einblicke in ihre KI-Reise seit dem ChatGPT-Moment, erklären, warum die Verwaltung von über 500.000 Anforderungen pro Fahrzeugentwicklung ein idealer Anwendungsfall für Large Language Models ist, und teilen die Erfolgsfaktoren, die eine breite KI-Adoption im Unternehmen ermöglicht haben.

Inhaltsübersicht

KI spielt im autonomen Fahren seit fast 20 Jahren eine Rolle, doch generative KI eröffnet völlig neue Möglichkeiten für unbekannte Verkehrsszenarien.
Der ChatGPT-Moment bei IAV begann im November 2023, als allen Führungskräften auf einer Konferenz Zugang zu ChatGPT gegeben wurde.
Im TechHub hatte das Team bereits vor ChatGPT an KI-Lösungen mit klassischem NLP und frühen Transformer-Modellen gearbeitet.
Die Entwicklung eines Fahrzeugs erfordert die Verwaltung von 500.000 bis 600.000 Anforderungen aus Kundenvorgaben, Standards und Gesetzen.
Requirements Engineering und Testing verursachen das 1,5-Fache an Aufwand gegenüber der eigentlichen Implementierung.
IAVs KI-Lösung Devpanion unterstützt bei Qualitätsprüfung, Konsistenzcheck und Ableitung von Anforderungen aus Dokumenten.
AB-Tests mit dem Partner Consulting for Drive belegen 25 bis 50 Prozent Reduktion der Arbeitslast beim Review von Anforderungen.
Über 500 aktive Nutzer arbeiten intern bereits mit Devpanion.
Ein breites Kulturprogramm mit kurzen Mittagssessions, Vor-Ort-Schulungen und einem AI-Mentoren-Netzwerk von 80 Personen treibt die Adoption.
Frühes C-Level-Commitment gab dem Team den Freiraum, schnell zu handeln, noch bevor der EU AI Act verabschiedet wurde.
Agentensysteme und das MCP-Protokoll bilden die nächste Entwicklungsstufe, auch firmenübergreifend.

Über die Gäste

Michael Reichel ist Senior Specialist AI-Infused Engineering bei der IAV. Er begleitet das Thema KI im Automotive-Bereich seit fast 20 Jahren, unter anderem beim Staupiloten von Audi. Bei IAV treibt er die Integration von KI in Engineering-Prozesse voran und ist als AI-Mentor für die interne IT tätig. Sein Fokus liegt auf der Verbindung von Technologie und Kulturarbeit, um KI breit im Unternehmen zu verankern.

Johannes Dornheim ist AI Expert und Team Manager im IAV TechHub. Vor seiner Zeit bei IAV war er in der KI-Forschung tätig, wo er an Reinforcement-Learning-Algorithmen für Fertigungsprozessoptimierung und Materialwissenschaften arbeitete. Im TechHub leitet er ein interdisziplinäres Team aus KI-Experten, Physikern und Maschinenbauern, das disruptive Technologien für IAV nutzbar macht. Sein spezieller Fokus liegt auf generativer KI im Requirements Engineering.

Detaillierte Zusammenfassung

KI im autonomen Fahren: Von Umfeldwahrnehmung zu generativen Modellen

Michael Reichel blickt auf fast 20 Jahre Erfahrung mit KI im autonomen Fahren zurück. In den Anfängen wurde KI hauptsächlich für die Umfeldwahrnehmung eingesetzt, etwa zur Erkennung von Verkehrsschildern. Die Modelle waren speziell darauf trainiert, bestimmte Objekte und Fahrsituationen zu identifizieren. Die größte Herausforderung lag immer in der Komplexität städtischer Verkehrssituationen, wo die schiere Anzahl möglicher Szenarien klassische Ansätze an ihre Grenzen brachte.

Generative KI könnte hier einen Durchbruch ermöglichen, weil sie aus bekannten Szenarien auf unbekannte schließen kann. Reichel vergleicht den Fortschritt mit der Entwicklung von Sprachassistenten: Früher musste man exakt vorgegebene Sätze verwenden, heute versteht das System freie Sprache. Die Datengrundlage ist vorhanden, denn Unternehmen haben über Jahre hinweg Fahrdaten gesammelt. Dennoch sieht Reichel den Serieneinsatz generativer Modelle im autonomen Fahren noch als Zukunftsvision.

Der ChatGPT-Moment und die Neuausrichtung der KI-Strategie

Im TechHub arbeitete das Team bereits ein halbes Jahr vor dem ChatGPT-Durchbruch an KI-gestützter Effizienzsteigerung im Engineering. Johannes Dornheim beschreibt, wie sie mit klassischem Natural Language Processing, semantischen Methoden, Knowledge Graphen und frühen Transformer-Modellen wie BERT daran arbeiteten, das Testen autonomer zu gestalten. Der Siegeszug der Large Language Models warf große Teile dieser Arbeit über den Haufen: "Wir haben wirklich große Teile dessen, was wir davor gemacht haben, über den Haufen geworfen und sehr vieles umgestellt auf Large Language Models."

Der breitere Unternehmensimpact kam im November 2023, als auf einer globalen Manager-Konferenz allen Führungskräften ChatGPT auf ihren Diensthandys freigeschaltet wurde. Michael Reichel erinnert sich: "Da ging das dann so plötzlich an." Der Rest des Jahres 2023 und der Anfang von 2024 waren davon geprägt, dass Mitarbeitende erste Erfahrungen sammelten und KI-Möglichkeiten entdeckten. Entscheidend war, dass auch Nicht-Techniker und Führungskräfte ein Gefühl dafür bekamen, was KI kann und was nicht.

Requirements Engineering: Wo generative KI den größten Hebel hat

Die Automobilentwicklung erzeugt eine enorme Menge an Anforderungen. Audi und Daimler haben Zahlen veröffentlicht: Zwischen 500.000 und 600.000 Requirements entstehen pro Fahrzeugentwicklung. Diese stammen aus Kundenvorgaben, internen Standards, mitgeltenden Unterlagen aus jahrzehntelanger Erfahrung und gesetzlichen Regularien. Wie ein Konferenzteilnehmer offen zugab: "Wir glauben auch nicht, dass ihr das alles lest. Das schafft auch keiner am Ende."

Das Requirements Engineering ist dabei kein linearer Prozess, sondern ein organisches Zusammenspiel vieler Firmen und Beteiligter unter hohem Zeitdruck. Änderungen erzeugen Widersprüche zu bestehenden Anforderungen, Formulierungen sind oft unklar, und gute Requirements-Ingenieure sind selten. Reichel betont: "Es gibt wenig Leute, die ich in meinem Leben kennengelernt habe, die wirklich gute Requirements schreiben können." Die formale Sprache erfordert Präzision bei Begriffen wie "müssen", "dürfen" und "können" sowie bei logischen Verknüpfungen.

Das Team erkannte, dass der größte Hebel nicht am Ende der Kette liegt, sondern am Anfang. Dornheim erklärt: Die Qualität der Anforderungen bestimmt, wie viel am Ende automatisiert werden kann. Wenn Anforderungen in realen Projekten nicht gut genug formuliert sind, lassen sich Tests kaum systematisch ableiten. Deshalb verlagerte das Team seinen Fokus auf die Qualitätsverbesserung der Anforderungen selbst.

Devpanion: Assistenzsystem statt KI-Zauberkiste

Die KI-Lösung Devpanion verfolgt konsequent den Assistenzansatz: Der Mensch behält die Hoheit über jede Entscheidung. Die Web-Anwendung bietet Ingenieuren eine Kollaborationsumgebung, in der sie mit KI-Unterstützung durch ihre Anforderungen gehen und Qualität verbessern können. Dornheim betont: "Wir haben keine KI, die autonom Magic-Dinge macht. Am Ende hat der Mensch immer noch die Hoheit."

Konkret unterstützt Devpanion bei der Qualitätsüberprüfung von Anforderungen, prüft auf Konsistenz und Widersprüche, überprüft die Einhaltung von Satzbauschablonen und hilft beim Ableiten von Anforderungen aus PDF-Dokumenten. Die Komplexität der KI-Pipelines bleibt dabei für den Nutzer verborgen. Unter der Haube arbeiten bereits Agentensysteme und das MCP-Protokoll.

Die Ergebnisse sind messbar: In AB-Tests mit dem Partner Consulting for Drive wurde eine Reduktion der Arbeitslast von 25 bis 50 Prozent beim Review von Anforderungen nachgewiesen. Der Effizienzgewinn steigt mit der Anzahl der Anforderungen. Besonders bei der Erkennung von Inkonsistenzen fand die KI Widersprüche, die im rein menschlichen Review übersehen wurden. Die Akzeptanzrate der Korrekturvorschläge dient als kontinuierlicher Qualitätsindikator, der über verschiedene Releases hinweg ausgewertet wird.

"Man kann sich hinstellen und fragen, was darf ich alles? Wir haben das umgedreht. Wir haben gefragt, was dürfen wir nicht? Und dann versucht, innerhalb dieses doch größeren Raums anzufangen."

Erfolgsfaktoren: Kultur, Commitment und nutzerzentrierte Entwicklung

Die breite KI-Adoption bei IAV basiert auf mehreren Säulen. An erster Stelle steht ein frühes Commitment der C-Ebene. Dornheim beschreibt: "Unsere Unternehmensführung hat sich sehr früh klar committet zur KI, sehr früh gesagt, das ist ein wesentlicher Hebel, der wird wichtig für uns sein." Das gab dem Team Freiheit, auch vor Verabschiedung des EU AI Acts Prototypen zu entwickeln und früh in die Praxis zu bringen.

Die Kulturarbeit umfasst verschiedene Formate: kurze Mittagssessions von 15 bis 20 Minuten, die direkt in die Kalender aller Mitarbeitenden eingetragen werden, Vor-Ort-Schulungen für verschiedene Nutzergruppen und Sessions mit dem Top-Management. Dabei kommen nicht nur Technik-Experten zu Wort, sondern auch Kollegen aus dem Rechtswesen und dem Marketing, die ihre KI-Anwendungsfälle teilen.

Ein neu aufgebautes AI-Mentoren-Netzwerk von 80 Personen fungiert als Multiplikator. Die Mentoren kennen die verfügbaren Tools und gehen in ihre jeweiligen Bereiche, um Use Cases zu identifizieren und passende Lösungen zuzuordnen. Reichel beschreibt die Grundhaltung: "Man kann sich hinstellen und fragen, was darf ich alles? Wir haben das umgedreht. Wir haben gefragt, was dürfen wir nicht? Und dann versucht, innerhalb dieses doch größeren Raums anzufangen."

Der nutzerzentrierte Entwicklungsansatz ist ein weiterer Schlüssel. Das Team bringt neue Funktionen sehr früh in die Mannschaft, um Feedback von Domänenexperten einzusammeln. Dornheim erklärt: "Wir sind ein Haufen von KI-Experten, wissen was geht. Aber wir müssen eben auch viel lernen, wo die Needs sind und wo die eigentlichen Wünsche sind."

Zukunftsvision: Vom Assistenten zum autonomen KI-Ingenieur

Für die Zukunft sehen beide Gäste eine grundlegende Veränderung der Denkweise im Engineering. Statt linear von Anforderung zu Spezifikation zu arbeiten, könnten Agentensysteme komplexere Workflows übernehmen und die Perspektive umkehren. Dornheim zieht eine Parallele zum autonomen Fahren: "Das große Zielbild ist der autonome KI-Ingenieur. Und was wir im Moment haben, ist eine Vorstufe davon." Wie beim automatisierten Fahren wird es verschiedene Automatisierungsstufen geben, die schrittweise eingeführt werden.

Bereits heute denken Early Adopters unter den IAV-Kunden darüber nach, Agentensysteme firmenübergreifend einzusetzen. Reichel beschreibt die Vision: Statt nur Zugang zu einzelnen Mitarbeitern zu gewähren, könnten Unternehmen auch Zugang zu Agenten bereitstellen, die Informationen durchsuchbar machen und den Austausch zwischen Firmen erleichtern.

Kernaussagen

LLMs haben alles verändert: "Wir haben wirklich große Teile dessen, was wir davor gemacht haben, über den Haufen geworfen und sehr vieles umgestellt auf Large Language Models." #LLM #Paradigmenwechsel #NLP
Gute Requirements sind selten: "Es gibt wenig Leute, die ich in meinem Leben kennengelernt habe, die wirklich gute Requirements schreiben können. Es klingt so einfach, aber ist es nicht." #RequirementsEngineering #Qualität
Macher-Mentalität statt Verbots-Denken: "Man kann sich hinstellen und fragen, was darf ich alles? Wir haben das umgedreht. Wir haben gefragt, was dürfen wir nicht? Und dann versucht, innerhalb dieses doch größeren Raums anzufangen." #Kultur #Innovation #Freiraum
Autonomer KI-Ingenieur als Zielbild: "Das große Zielbild ist der autonome KI-Ingenieur. Und was wir im Moment haben, ist eine Vorstufe davon, die einen menschlichen Ingenieur an sehr vielen Stellen unter die Arme greift." #Agenten #Zukunft #Automatisierung
Mensch behält die Kontrolle: "Wir haben keine KI, die autonom Magic-Dinge macht. Am Ende hat der Mensch immer noch die Hoheit." #HumanInTheLoop #Assistenz #Vertrauen

Fazit und Takeaways

Für Unternehmen mit komplexen Engineering-Prozessen

Textbasierte Prozesse identifizieren: Requirements Engineering, Testspezifikationen und Dokumentation sind ideale Startpunkte für generative KI, weil Large Language Models natürliche Sprache verarbeiten können.
Assistenz vor Autonomie: Der Mensch behält die Entscheidungshoheit. Ein klares UI, das die KI-Komplexität verbirgt, erhöht Akzeptanz und Vertrauen.
Qualität vor Effizienz messen: Neben Zeitersparnis zeigt der IAV-Fall, dass KI auch Inkonsistenzen findet, die Menschen übersehen. Beide Dimensionen sollten erfasst werden.

Für KI-Strategie und Organisationsentwicklung

C-Level-Commitment sichern: Frühes und klares Bekenntnis der Unternehmensführung schafft den Freiraum, schnell zu handeln und auch vor regulatorischer Klarheit Prototypen zu entwickeln.
Kulturarbeit systematisieren: Kurze, niedrigschwellige Formate wie 15-Minuten-Mittagssessions erreichen mehr Menschen als aufwendige Schulungsprogramme.
Multiplikatoren aufbauen: Ein Netzwerk von AI-Mentoren, die Use Cases in ihren Bereichen identifizieren und passende Tools zuordnen, beschleunigt die Adoption erheblich.
Macher-Mentalität fördern: Statt zu fragen "Was dürfen wir?" lieber fragen "Was dürfen wir nicht?" und den größeren Handlungsraum nutzen.

Für die technische Umsetzung

Nutzerzentriert entwickeln: Neue Funktionen früh in die Praxis bringen und Feedback von Domänenexperten einsammeln, statt perfekte Lösungen im Stillen zu bauen.
Akzeptanzraten als Qualitätsindikator: Die Rate, mit der Nutzer KI-Vorschläge annehmen oder ablehnen, liefert wertvolle Daten zur kontinuierlichen Verbesserung.
In Stufen denken: Wie beim autonomen Fahren gibt es zwischen dem heutigen Assistenzsystem und dem autonomen KI-Ingenieur viele Zwischenstufen, die schrittweise erschlossen werden können.

Die Erfahrungen der IAV zeigen, dass KI im Engineering bereits heute messbare Vorteile bringt, wenn Technologie, Kulturarbeit und Organisationsentwicklung zusammenspielen. Der Schlüssel liegt nicht in der perfekten KI-Lösung, sondern in der Bereitschaft, früh zu starten, nah am Nutzer zu entwickeln und die Organisation systematisch mitzunehmen.

"Das große Zielbild ist der autonome KI-Ingenieur. Und was wir im Moment haben, ist eine Vorstufe davon, die einen menschlichen Ingenieur an sehr vielen Stellen unter die Arme greift."