Wo Audi mit KI bereits Mehrwert generiert

Wer wissen wollte, was in einem Steuergerät wirklich verbaut ist, brauchte bei Audi früher vor allem eines: viel Zeit. Zwei KI-Anwendungen ändern das gerade grundlegend: FairPCB scannt Leiterplatten automatisch, der eBOM-Check (electronic Bill of Materials, zu Deutsch: elektronische Stückliste) prüft Bauteilspezifikationen in Minuten statt Wochen.

Sonderheft Konzern-IT Audi

Dieser Beitrag ist Teil des automotiveIT-Sonderhefts „Konzern-IT Audi“. Für die Ausgabe haben wir zentrale Themen und Projekte der Audi-IT unter die Lupe genommen – vom Enterprise IT Target Operating Model und der strategischen Kompetenzentwicklung über Künstliche Intelligenz und Produktions-IT bis zum Software-Defined Vehicle.

Das vollständige Sonderheft können Sie hier als E-Paper lesen.

Elektronische Bauteile stecken heute in praktisch jedem Fahrzeugsystem und bilden zugleich eine Unbekannte in der Lieferkette. Wie viele Komponenten ein Steuergerät tatsächlich enthält, ließ sich lange nur mit erheblichem Aufwand herausfinden. „Die Idee zu FairPCB entstand aus einem sehr konkreten Problem im Value Engineering“, erinnert sich Fabian Schaumburg, der das Projekt seitens der Beschaffung verantwortet. „Bis dahin erstellten wir Stücklisten elektronischer Baugruppen manuell.“ Dafür mussten Mitarbeitende Leiterplatten fotografieren und Bauteil für Bauteil analysieren, oft mit Lupen und Messschiebern.

Dieser Prozess kostete nicht nur viel Zeit, er ließ sich auch kaum skalieren: Mehr Analysen erforderten mehr Personal. Hinzu kommt, dass Transparenz über verbaute Komponenten wichtiger geworden ist. „Halbleiterengpässe, geopolitische Risiken und Naturkatastrophen haben gezeigt, wie schnell sich Lieferketten verändern können“, betont Schaumburg. „Wer nicht genau weiß, welche Komponenten verbaut sind und welche Second Sources, also alternative Lieferanten für dasselbe Bauteil, zur Verfügung stehen, verliert wertvolle Reaktionszeit.“

KI analysiert Leiterplatten

Hier setzt FairPCB an: Die Anwendung erstellt Stücklisten halbautomatisch auf Basis physisch vorliegender Leiterplatten oder Steuergeräte. Dafür kombiniert das System mehrere KI-gestützte Verfahren: Texterkennung auf Bauteilen, Herstellererkennung anhand von Logos und Pin-Counting, bei dem die Zahl der Anschlüsse Rückschlüsse auf die Gehäusegröße zulässt. Das spart laut Projektteam bis zu 82 Prozent Zeit gegenüber der manuellen Erstellung.

Konkret läuft das so ab: Das Team nimmt mehrere Bilder einer Leiterplatte auf und lädt sie in die Anwendung, die daraus automatisch ein Gesamtbild zusammensetzt. Nach 15 bis 20 Minuten liegt eine erste Analyse vor, die Komponenten, Bauteilkategorien, Gehäuseformen sowie Beschriftungen und Herstellerinformationen erkennt. Die Experten bleiben Teil des Prozesses: Sie prüfen kritische A-Komponenten (Bauteile mit besonders hoher Bedeutung für Funktion oder Kosten) anschließend manuell. „Die Fachkräfte müssen ihre Zeit nicht mehr mit dem Zählen winziger Widerstände verbringen, sondern können sich auf die relevanten Bauteile konzentrieren“, fasst Schaumburg zusammen.

Technisch basiert die Objekterkennung auf etablierten Computer-Vision-Verfahren, automatisierter Bilderkennung also. „Wir verwenden neuronale Netze mit Convolutional Layers, einer Architektur, die sich besonders gut zur Bildauswertung eignet, basierend auf öffentlich verfügbaren, kommerziell nutzbaren Modellen“, erläutert Michael Morgott, der das Projekt aus der IT betreut. Das Team trainierte diese Modelle mit unternehmenseigenen Datensätzen für die Erkennung elektronischer Komponenten nach. Weil manche Bauteiltypen selten vorkommen, setzt das Team zudem auf Active Learning: Neue Beispiele fließen kontinuierlich in den Datensatz ein und verbessern die Erkennung bei seltenen Gehäuseformen. „Neue Bauteile und Gehäuseformen kommen ständig hinzu“, so Schaumburg, „deshalb entwickeln wir die Anwendung laufend weiter, um dauerhaft eine hohe Akzeptanz bei den Anwendern sicherzustellen.“

„Das Denken in Wertströmen macht uns schneller und flexibler“

Im Interview erläutern Audis Finanzvorstand Jürgen Rittersberger und CIO Frank Loydl, wie das Unternehmen seine IT entlang von Wertströmen neu organisiert, welche Rolle Daten dabei spielen und wo Audi beim Aufbau einer „Agentic Enterprise“ steht.

Yannick Tiedemann

Die Ergebnisse sind messbar: FairPCB erreicht inzwischen Erkennungsraten von bis zu 98 Prozent. Selbst bei komplexen Steuergeräten mit mehr als 1.500 SMD-Komponenten (oberflächenmontierten Bauteilen). „Während die Anwendung rund 20 Minuten benötigt, dauerte die manuelle Erstellung einer Stückliste für ein typisches Steuergerät mit 300 bis 400 Komponenten bislang mindestens einen Arbeitstag“, berichtet Morgott. Das Team beziffert die Zeitersparnis im Prozess der Stücklistenerstellung auf bis zu 82 Prozent. Aus der Projektarbeit sind inzwischen mehrere Patentideen entstanden, von denen das Team drei bereits angemeldet hat.

KI findet Fehler in elektronischen Stücklisten

Während FairPCB Hardware in Stücklisten übersetzt, prüft ein weiteres KI-Projekt, ob die Spezifikationen verbauter Halbleiter zueinander und zu den Anforderungen passen. Moderne Steuergeräte enthalten hunderte Bauteile: von einfachen Widerständen bis zu komplexen System-on-Chips mit unterschiedlichen Speicherarchitekturen, teils über mehrere Leiterplatten verteilt. „Für eine manuelle Plausibilisierung müssten wir hunderte Datenblätter analysieren. Genau hier setzen moderne KI-Modelle an“, erläutert Nickolas Heyde aus der Technischen Entwicklung, der die fachliche Seite des eBOM-Checks verantwortet.

Das Ziel: Fehler oder Unstimmigkeiten in Minuten statt Tagen oder Wochen erkennen. So hat das System bereits Kamerasysteme ohne Bildsensor, Radarsysteme ohne Transceiver (jenes Bauteil, das Funksignale sendet und empfängt) oder fehlende Speicherbausteine aufgespürt. „Solche Fehler sind für das Supply-Chain-Management besonders relevant“, betont Heyde. „Wenn kritische Bauteile nicht korrekt erfasst sind, leidet im Ernstfall die Reaktionsgeschwindigkeit bei Lieferengpässen.“

Gen AI wertet technische Dokumentationen aus

Der eBOM-Check ist Teil eines größeren Audi-Handlungsfelds rund um Generative AI und Document Intelligence. „Die Herausforderung besteht darin, umfangreiche technische Dokumentationen unterschiedlichster Hersteller automatisiert auszuwerten“, erklärt Jochen Ungermann aus der IT. Dafür zerlegt das System Dokumente in Vorverarbeitungspipelines und analysiert sie mit hybriden Extraktionsverfahren. Eine umfangreiche Prompt-Bibliothek, also eine Sammlung vordefinierter Abfragen für das Sprachmodell, liest technische Informationen wie Spannungs- und Temperaturbereiche, ASIL-Einstufungen (Sicherheitsklassifizierung nach ISO 26262), Security-Anforderungen, geometrische Parameter oder Pin-Belegungen automatisiert aus.

Heyde: „Der eigentliche Mehrwert liegt nicht im Auslesen einzelner Werte, sondern darin, Zusammenhänge zwischen Komponenten zu bewerten.“ Etwa ob zu einem Prozessor die passenden Speicherbausteine vorhanden sind. Diese semantische Analyse erforderte bislang erheblichen manuellen Aufwand. „Zusätzlich werten wir geometrische und technische Eigenschaften aus, sodass sich Alternativkomponenten bei Lieferengpässen schneller identifizieren lassen“, sagt Heyde. „In Krisensituationen kann diese Geschwindigkeit über die Lieferfähigkeit mitentscheiden.“

Strengere regulatorische Vorgaben machen solche Checks wichtiger. „Statt mehrerer Stunden oder Tage benötigt die Prüfung nun Minuten, gleichzeitig steigt die Qualität durch eine systematische, reproduzierbare Untersuchung“, betont Ungermann. So erkennt das Team Hinweise auf das nahende Lebensende eines Bauteils (End of Life) frühzeitig und kann Zulieferern direkt Rückmeldung geben. Die Technische Entwicklung und die IT von Audi setzten die Lösung gemeinsam auf; von der ersten Idee bis zum Produkt vergingen acht Wochen, weil das Team auf wiederverwendbare KI-Bausteine aus anderen Projekten zurückgreifen konnte.

Die Projektteams betonen, dass der Einsatz generativer KI im Engineering erst am Anfang steht. Audi prüft bereits weitere Einsatzfelder, etwa im Anforderungsmanagement, bei der Analyse von Lastenheften oder bei Software-Bill-of-Materials (SBOM, siehe Kasten) und Open-Source-Compliance. „Insbesondere im Anforderungsmanagement sehen wir großes Potenzial. KI kann große Mengen natürlichsprachlicher Informationen analysieren, Widersprüche erkennen und die Qualität von Entwicklungsprozessen erhöhen“, unterstreicht Ungermann. Schaumburg ergänzt, die Modelle entwickelten sich so schnell weiter, dass heute ungelöste Aufgaben schon bald automatisierbar sein könnten: „Daher sollte man Anwendungsfälle regelmäßig neu bewerten.“

Unternehmenswissen sicher mit KI nutzen

Ein drittes Projekt, mit dem die Ingolstädter dank KI Mehrwerte heben, ist ein LLM-RAG-Chatbot, der für interne Zwecke entwickelt wurde. Als ChatGPT Ende 2022 die breite Öffentlichkeit erreichte, registrierte auch Audi schnell wachsenden Bedarf an KI-gestützten Assistenzsystemen. Eine Anbindung an ein öffentliches Sprachmodell kam jedoch nicht infrage. „Uns war früh klar, dass wir die Vorteile großer Sprachmodelle nutzen wollten. Gleichzeitig brauchten wir eine Lösung, die unsere Anforderungen an Datenschutz, IT-Sicherheit und Datenintegrität erfüllt“, erklärt Melissa Wischner, Projektleiterin HR-Digitalisierung bei Audi. Mitarbeitende benötigen verlässliche Antworten im Audi-spezifischen Kontext, etwa zu Arbeitszeitmodellen. „Ein generisches Modell kann solches Wissen schlicht nicht vorhalten.“

Also entwickelte Audi eine eigene Lösung: In Zusammenarbeit zwischen HR-Abteilung und KI-Entwicklungsteam entstand der Audi.Personal Chatbot und mit ihm die Grundlage für eine skalierbare Referenzarchitektur. „Anfragen nach Chatbot-Lösungen überrollten uns damals regelrecht“, berichtet Vladislav Rosov, Experte aus der KI-Strategie im CIO-Office und zuvor Teamleiter des AI-Enterprise-Teams. „Deshalb entschieden wir uns bewusst gegen eine isolierte Ad-hoc-Entwicklung und für eine wiederverwendbare Referenzarchitektur.“ Der Vorteil: Verschiedene Fachbereiche können zentral entwickelte Funktionen nutzen.

Technisch basiert die Lösung auf dem RAG-Ansatz (Retrieval-Augmented Generation): Das Sprachmodell greift nicht auf allgemeines Trainingswissen zurück, sondern ruft gezielt relevante Dokumente aus einer abgesicherten internen Wissensbasis ab, etwa aus Microsoft SharePoint, Viva Engage und Confluence. „Der wesentliche Unterschied besteht darin, dass wir die gesamte Wertschöpfungskette selbst kontrollieren“, erklärt Rosov. Besonderes Augenmerk gilt der Minimierung von Halluzinationen: „Dafür optimieren wir sämtliche Komponenten der Architektur, von der Aufbereitung der Dokumente bis zu den Retrieval-Algorithmen.“ Ein Analytics-Dashboard gibt Einblick in Nutzungshäufigkeit, Anfragetypen und Antwortqualität; ein RAG-Evaluator ermöglicht den Vergleich unterschiedlicher Sprachmodelle. Einzelne Features entwickelte Audi mit der Volkswagen Group Digital Solutions India.

KI-Chatbots entlasten Service-Desk und HR

Heute laufen mehr als ein Dutzend spezialisierter Chatbots im Unternehmen: neben dem HR-Chatbot auch Anwendungen für Beschaffungsprozesse, Unternehmensrichtlinien und die Produktion. Stefan Biberger vom Enterprise-Helpdesk beschreibt den Alltag im IT-Support: „Im Service-Desk dominieren IT-Fragen, besonders häufig geht es um Passwort-Rücksetzungen oder Probleme mit Office-Anwendungen.“ Der Chatbot liefert nicht nur direkte Antworten, sondern schlägt auch Folgefragen vor und greift auf Community-Wissen zurück.

Die Nutzungszahlen sind eindeutig: „Im Service-Desk hat sich der Chatbot bereits als drittwichtigster Kontaktkanal etabliert, direkt hinter Telefon und Online-Ticket“, berichtet Biberger. Er entlastet die Hotline heute bereits um schätzungsweise zehn bis zwölf Prozent. Andreas Erdmann, Product Owner Change, Adoption & Communication in der Audi-Mitarbeiter-IT, hebt einen weiteren Vorzug hervor: „Durch die Anbindung von Communities und Wissensplattformen gelangen neue Erkenntnisse nahezu in Echtzeit in das System. Gerade bei aktuellen IT-Problemen erhalten Mitarbeitende dadurch schneller erste Lösungen.“

Audi macht die Cloud zum Taktgeber der vernetzten Fabrik

Audi verlagert zentrale IT-Funktionen aus der Linie in eine produktionsnahe Cloud. Die Edge Cloud 4 Production soll Anlagen verfügbarer, wartbarer und KI-fähig machen. In Neckarsulm und Ingolstadt läuft der Ansatz bereits in Serie.

Ronja Schmiedchen

Im HR-Bereich zeigt sich ein anderer Effekt: Mitarbeitende kommen besser vorbereitet in Beratungsgespräche. „Die grundlegenden Informationen haben sie bereits über den Chatbot erhalten. Dadurch können sich die HR-Berater stärker auf individuelle Fragestellungen konzentrieren“, erklärt Wischner. Welche Learnings zieht das Team? „Klein anfangen und anschließend skalieren“, rät Wischner. „Wir haben bewusst mit einem klar abgegrenzten Use Case im HR-Bereich begonnen, statt sofort einen universellen Unternehmens-Chatbot zu entwickeln.“ Erdmann ergänzt: „Erst eine Pilotphase mit einer kleinen Nutzergruppe zeigte, welche Wissensquellen fehlten. Der Chatbot wirkt wie ein Scheinwerfer auf bestehende Wissenslücken.“

Vom Chatbot zum intelligenten Audi-Assistenten

Wohin geht die KI-Reise bei Audi nun? „Aus einzelnen Chatbots könnte perspektivisch ein zentraler Audi-Assistent entstehen, der Mitarbeitende durch sämtliche Prozesse begleitet“, skizziert Rosov. Andreas Erdmann beschreibt den nächsten Schritt: „Der Chatbot soll künftig nicht nur Informationen liefern, sondern auch selbst Aktionen ausführen, etwa Tickets erstellen oder Prozesse anstoßen.“ Für Wischner ist das die logische Konsequenz: „Mitarbeitende sollen nicht mehr zwischen Systemen wechseln müssen. Ein intelligenter Assistent führt nahtlos von der Frage bis zur Durchführung des Prozesses.“ So schafft KI bei Audi konkreten Mehrwert.