KI im Auto: Warum sinkende Kosten nicht automatisch zu günstigeren Fahrzeugen führen
Künstliche Intelligenz (KI) soll im Auto künftig mehr können, als Fragen beantworten oder Musik auswählen. Sie könnte Termine berücksichtigen, Routen anpassen und Fahrzeugfunktionen steuern. Für Hersteller stellt sich damit eine wirtschaftliche Frage: Wie lassen sich solche Dienste in Millionen Fahrzeugen anbieten, ohne dass die laufenden Kosten mit jeder zusätzlichen Nutzung stark steigen? Eine gemeinsame Analyse der Management- und IT-Beratung MHP und Bosch Mobility sieht die Antwort vor allem in der technischen Architektur. Entscheidend sei, welche Aufgaben das Fahrzeug selbst verarbeitet, wann es auf externe Rechenzentren zugreift und wer diese Abläufe steuert.
Vom softwaredefinierten zum KI-definierten (AI-defined) Fahrzeug
Bei einem softwaredefinierten Fahrzeug lassen sich Funktionen über Aktualisierungen weiterentwickeln. Mit KI kommt eine weitere Ebene hinzu: Das Fahrzeug soll Informationen aus unterschiedlichen Quellen einordnen und daraus passende Schritte ableiten. Ein Assistent könnte etwa einen anstehenden Termin berücksichtigen, wegen eines Staus eine andere Route wählen, ein Restaurant suchen und die Innenraumtemperatur anpassen. Die Herausforderung liegt dann weniger in einer einzelnen Antwort als im Zusammenspiel von Fahrzeugdaten, KI-Modellen und externen Diensten.
Für Automobilhersteller wird damit wichtig, wer dieses Zusammenspiel kontrolliert. Davon hängen die laufenden Kosten ebenso ab wie der Umgang mit Daten und die Möglichkeit, später neue Funktionen einzuführen.
Mehr Schritte, höherer Rechenaufwand
Besonders deutlich wird das bei sogenannter agentischer KI. Solche Systeme bearbeiten eine Aufgabe in mehreren Schritten. Sie beziehen frühere Informationen ein, rufen Dienste auf und verarbeiten beispielsweise Sprache und Fahrzeugdaten gemeinsam. Die Bitte um eine Restaurantreservierung samt angepasster Route und geänderter Klimatisierung klingt nach einem einzigen Auftrag. Im Hintergrund können daraus zahlreiche einzelne Verarbeitungsschritte werden. Laut der Analyse kann eine solche Aufgabe einen 20- bis 50-mal so hohen Aufwand bei der KI-Verarbeitung verursachen wie eine einfache Anfrage. Dabei bestimmt nicht allein die Länge der Antwort den Aufwand. Auch Anweisungen an das System, der aktuelle Fahrzeugzustand, Informationen aus früheren Gesprächen und Zwischenergebnisse müssen verarbeitet werden. Wer die Kosten beurteilen will, muss deshalb sowohl die Häufigkeit als auch die Komplexität der Nutzung betrachten.
Günstigere KI bedeutet nicht automatisch geringere Gesamtkosten
Sinkende Preise für KI-Modelle könnten die einzelnen Verarbeitungsschritte verbilligen. Nutzen Fahrer die Funktionen gleichzeitig häufiger und für anspruchsvollere Aufgaben, können die Gesamtausgaben dennoch steigen. MHP und Bosch Mobility rechnen dafür ein beispielhaftes Szenario vor: Selbst bei um 70 Prozent sinkenden Preisen für die Verarbeitungseinheiten eines KI-Modells könnte der KI-bedingte Aufwand pro aktivem Nutzer um 50 bis 275 Prozent zunehmen.
Die Werte sind ausdrücklich keine Marktprognose. Sie zeigen, wie stark eine intensivere Nutzung mögliche Preisvorteile überlagern kann. Für Hersteller verändert das die Kostenrechnung. Neben Entwicklung und Ausstattung des Fahrzeugs entstehen Ausgaben, die von der Nutzung über den gesamten Fahrzeuglebenszyklus abhängen. Maßgeblich werden damit die Kosten pro aktivem Nutzer und für die gesamte Fahrzeugflotte.
Welche Aufgaben gehören ins Fahrzeug?
Ein wesentlicher Kostenhebel ist die Frage, wo die KI arbeitet. Externe Rechenzentren bieten viel Rechenleistung und ermöglichen es, neue Modelle vergleichsweise schnell bereitzustellen. Jede Nutzung kann dort jedoch zusätzliche Kosten verursachen. Zudem spielen Netzverbindung, Übertragungszeit und Datenverarbeitung eine Rolle. Wird eine Aufgabe direkt im Fahrzeug verarbeitet, kann das Datenübertragung und laufende Kosten für externe Rechenleistung verringern. Das Auto benötigt dafür allerdings ausreichend leistungsfähige Technik, Speicher sowie elektrische und thermische Reserven. Die Analyse spricht deshalb für eine Kombination beider Wege.
Ein einfacher Sprachbefehl könnte im Fahrzeug bearbeitet werden, eine aufwendigere Aufgabe in einem externen Rechenzentrum. Kleinere KI-Modelle könnten wiederkehrende Anfragen übernehmen. Auch das Zwischenspeichern von Ergebnissen und eine gezielte Auswahl der Informationen, die eine Anfrage begleiten, können den Rechenaufwand senken.
Die Aufgabenverteilung wird strategisch wichtig
Welche KI eine Anfrage bearbeitet, wo sie ausgeführt wird und welche Daten sie dafür erhält, entscheidet eine Steuerung im Hintergrund. Für Nutzer ist sie kaum sichtbar. Für Hersteller kann sie jedoch zum zentralen Bestandteil ihrer KI-Strategie werden. Wer diese Aufgabenverteilung selbst gestalten kann, bleibt bei der Wahl von Modellen und Dienstleistern flexibler. Ein Hersteller könnte Funktionen später vom externen Rechenzentrum ins Fahrzeug verlagern oder ein KI-Modell austauschen, ohne das gesamte System neu aufzubauen. Die Steuerung beeinflusst damit Kosten, Reaktionszeit, Datenverarbeitung und Bedienerlebnis zugleich.
Vier Voraussetzungen für den Einsatz in großen Flotten
MHP und Bosch Mobility nennen vier Faktoren für die wirtschaftliche Skalierung: Daten, die Verzahnung von KI und Software, Rechenleistung sowie die Nutzung gemeinsamer Lösungen über viele Fahrzeuge hinweg. Fahrzeugdaten und Erkenntnisse aus der tatsächlichen Nutzung nehmen dabei eine besondere Stellung ein. Rechenleistung und KI-Modelle lassen sich einkaufen oder lizenzieren.
Erfahrungen aus den Interaktionen der eigenen Kunden entstehen dagegen erst im Betrieb. Zugleich können gemeinsame technische Grundlagen über mehrere Modellreihen hinweg helfen, Entwicklungsaufwand und Kosten zu verteilen. Die Autoren betrachten die vier Faktoren als eng miteinander verbunden: Eine Schwäche in einem Bereich kann die Wirtschaftlichkeit des gesamten Angebots beeinträchtigen.
Flexibilität statt Festlegung auf ein einziges Modell
Welche KI-Modelle in einigen Jahren führend sein werden und wie intensiv Fahrer sie nutzen, lässt sich heute schwer vorhersagen. Hersteller brauchen deshalb eine Architektur, die Änderungen zulässt. Sie könnten zunächst stärker auf externe Rechenzentren setzen und zugleich die Voraussetzungen schaffen, geeignete Aufgaben später im Fahrzeug zu verarbeiten. Das Ziel ist, steigende Nutzung nicht automatisch zu ebenso stark steigenden Kosten werden zu lassen. Damit wird KI im Auto auch zu einer Frage der Fahrzeugarchitektur: Die Entscheidung darüber, wie Modelle, Daten und Rechenleistung zusammenarbeiten, prägt langfristig die wirtschaftlichen Möglichkeiten der Hersteller.
