Interview: Künstliche Intelligenz in der Automobilindustrie

06.05.2026

Die KI-Einführung in der Automobilindustrie hat spürbar Fahrt aufgenommen – zunächst durch den breiten Einsatz erster generativer KI Tools am Arbeitsplatz (ChatGPT, Copilot, usw.), später durch eine neue Welle rund um Generative KI (GenAI), Large Language Models (LLM) und KI-Agenten. Doch oft geschieht der Einsatz noch unkoordiniert: Mitarbeitende experimentieren eigenständig, Standards und Governance fehlen, Schatten-KI entsteht. 
Die AI Shepherds GmbH setzt sich leidenschaftlich für künstliche Intelligenz ein und begleitet Automobilzulieferer und Mobilitätsdienstleister bei ihrer KI-Entwicklung. Im Interview erläutert CEO Albert Pujol, warum Generative KI für Tier-1-Zulieferer der schnellste Hebel zur Wertschöpfung ist, wie Large Language Models Qualitätsprozesse grundlegend verändern und weshalb verantwortungsvolle Governance jetzt über Differenzierung, Effizienz und Zukunftsfähigkeit der Automobilindustrie entscheidet. 

Wie beurteilen Sie den aktuellen Stand der KI-Einführung bei Automobilunternehmen und wo sehen Sie den dringendsten Handlungsbedarf?

Albert: Zunächst einmal ist es wichtig darauf hinzuweisen, dass wir hauptsächlich mit Tier-1-Zulieferern in Deutschland zusammenarbeiten. Meine Einschätzung basiert daher stark auf diesem Segment.
Ende 2024 haben wir eine deutliche Beschleunigung der KI-Einführung beobachtet. Generative KI Tools wie ChatGPT, Copilot, Gemini und weitere haben in großem Umfang Einzug in die Arbeitsplätze der Mitarbeiter gehalten, sodass ein großer Teil der Belegschaft die Leistungsfähigkeit der KI aus erster Hand erleben konnte. Diese Dynamik wurde später durch geopolitische und wirtschaftliche Faktoren unterbrochen, wie beispielsweise neue US-Zölle und die rasche Markterholung chinesischer Automobilhersteller.
Ende 2025 hat sich jedoch eine neue Welle der KI-Einführung abgezeichnet. Dieses Mal konzentrierte sie sich eindeutig auf Generative KI, insbesondere auf Large Language Models (LLMs), Prompting sowie KI-Agenten. Das ist zwar sehr positiv, da diese Technologien enorme Produktivitätssteigerungen bei relativ geringen Kosten und kurzen Einführungszeiten ermöglichen. Allerdings verlief die Einführung noch nicht strukturiert und nicht schnell genug. Viele Mitarbeiter an vorderster Front nutzen KI isoliert und ohne Standards, Governance oder Koordination. Dieses Phänomen wird oft als Schatten-KI bezeichnet.
Daher muss es oberstes Ziel sein, die Einführung von KI bestmöglich zu koordinieren und zu begleiten. Konkret muss das Management die Einführung von KI durch klare Verantwortlichkeiten, Schulungsprogramme und Standards aktiv strukturieren, um aus der vereinzelten Nutzung eine nachhaltige Wertschöpfung zu machen.

Wo sehen Sie das größte Wertschöpfungspotenzial für KI in der gesamten Wertschöpfungskette der Automobilindustrie?

Albert: Wenn wir Automobilfachleuten KI erklären, unterscheiden wir acht KI-Fähigkeiten: Schätzung, Klassifizierung, Computer Vision, Signalverarbeitung, NLP, generative KI, Segmentierung und Mustererkennung. Jede dieser Fähigkeiten schafft in verschiedenen Abteilungen einen Mehrwert - Computer Vision ist z.B. besonders stark in der Fertigung, während generative KI ein hohes Potenzial in den Bereichen Technik und Verwaltung aufweist.
Der entscheidende Faktor für mich ist jedoch die Zeit bis zur Wertschöpfung. Die meisten KI-Fähigkeiten erfordern die Entwicklung maßgeschneiderter Modelle (mathematischer Funktionen), was Zeit, Daten und Fachwissen erfordert. Generative KI ist grundlegend anders. LLMs wurden bereits von anderen entwickelt und trainiert und stehen uns zur Verfügung. Dies reduziert die Entwicklungszeit drastisch und senkt die Einstiegshürden. Infolgedessen kann generative KI in fast allen Abteilungen eingesetzt werden. In einigen Bereichen ist die Wirkung größer als in anderen, aber insgesamt stellt sie für Automobilunternehmen heute den schnellsten und pragmatischsten Einstieg in die KI dar.

Welche Rolle spielt KI bei der Qualitätsverbesserung im Automobilsektor und wie können große Sprachmodelle diese Wirkung beschleunigen?

Albert: Die Qualitätssicherung ist einer der Bereiche, die am meisten von GenAI profitieren können. Qualitätsfachleute arbeiten intensiv mit Dokumenten wie Audits, Lessons Learned, APQP, PPAP, FMEA und 8D-Berichten. Durch den Einsatz von LLMs können wir nun auf historische Qualitätsdaten zurückgreifen und diese wieder verwenden. Nehmen wir als Beispiel die Erstellung von FMEA: Ein Qualitätsingenieur könnte die wichtigsten Merkmale eines neuen Produkts in einer Chat-Oberfläche beschreiben und so auf Grundlage ähnlicher Komponenten aus früheren Projekten vorgeschlagene Fehlermodi erhalten.
Ein weiterer starker Anwendungsfall ist der Einsatz von KI-Agenten in operativen Qualitätsprozessen: Bei deren Erstellung von 8D-Berichten beispielsweise übersehen sowohl Kunden als auch Lieferanten häufig wichtige Informationen. Die Qualitätsteams verbringen dann viel Zeit mit E-Mails und Telefonaten. KI-Agenten können fehlende Eingaben automatisch erkennen, Klarstellungen anfordern und die Benutzer durch den Prozess führen. Dies spart wertvolle Zeit und reduziert Reibungsverluste in der Lieferkette.

Wie hilft Ihr Produkt DeepQMS Automobilunternehmen dabei, ihre Qualitätsprozesse zu transformieren und messbare Ergebnisse zu erzielen?

Albert: Wir haben DeepQMS entwickelt, um Qualitätsverantwortlichen dabei zu helfen, Kosten zu senken, Fehler zu vermeiden und die Leistung zu verbessern, indem routinemäßige Qualitätsaufgaben mit KI automatisiert werden. Damit können sich Qualitätsexperten auf Standards, Prävention und kontinuierliche Verbesserung konzentrieren, anstatt sich mit Verwaltungsaufgaben zu beschäftigen. Der Schwerpunkt liegt dabei aktuell auf 8D-Berichten: DeepQMS unterstützt bei der Erstellung und Validierung und reduziert so die Bearbeitungszeit erheblich bei gleichzeitiger Verbesserung der Konsistenz und Qualität. Bislang haben wir zwei Pilotprojekte erfolgreich abgeschlossen und das Interesse an der Lösung nimmt zu, auch bei OEMs. Dies zeigt uns, dass das KI-gesteuerte Qualitätsmanagement vom Experimentierstadium zum realen industriellen Einsatz übergeht.

Vielen Dank für das Interview und die interessanten Einblicke.