Digitale Altlasten bremsen den Wandel der Autoindustrie

Veraltete Technologie, uneinheitliche Datenbestände und ineffiziente Prozesse verursachen in der weltweiten Automobilindustrie nach Berechnungen von HFS Research erhebliche wirtschaftliche Belastungen. Eine im Auftrag von Genpact erstellte Untersuchung beziffert das jährliche Potenzial aus dem vollständigen Abbau dieser Altlasten auf rund 989,1 Milliarden US-Dollar. Davon könnten laut Studie etwa 369,3 Milliarden US-Dollar auf zusätzliche Umsätze entfallen. Weitere 619,8 Milliarden US-Dollar seien durch niedrigere Kosten erreichbar. Die Berechnung bezieht sich auf Unternehmen der Automobilbranche innerhalb des Global-2000-Umfelds und beschreibt ein theoretisches Gesamtpotenzial bei vollständiger Beseitigung der untersuchten Defizite.

Automobilbranche liegt über dem Vergleichswert

Für die branchenspezifische Auswertung befragte HFS Research 125 Führungskräfte aus der Automobilwirtschaft. Deren Angaben wurden mit den Antworten von 1.877 Führungskräften aus anderen Industrien verglichen. Der sogenannte Enterprise-Debt-Score der Automobilbranche erreicht 7,99 von elf Punkten. Der Vergleichswert der übrigen Branchen liegt bei 7,69 Punkten.

Unter Enterprise Debt versteht die Untersuchung die kumulierte Belastung durch überalterte Technologien, mangelhafte Daten, ineffiziente Abläufe und Defizite im Personalmanagement. Solche Strukturen könnten Entscheidungen verzögern, Kosten erhöhen und die Wettbewerbsfähigkeit beeinträchtigen.

Die Ergebnisse deuten darauf hin, dass diese Altlasten in der Automobilindustrie in sämtlichen untersuchten Kategorien stärker ausgeprägt sind als im branchenübergreifenden Vergleich. Besonders deutlich fällt der Abstand bei der technischen Verschuldung aus.

Technische Altlasten binden Kapazitäten

Die Tech Debt erreicht in der Untersuchung 8,96 von elf Punkten. In den anderen betrachteten Industrien liegt der Wert bei 8,28 Punkten. Als wichtigste Ursachen nennen die Befragten eine hohe Integrationskomplexität, veraltete Kernsysteme und einen laufenden IT-Betrieb, der erhebliche Ressourcen beanspruche.

Die Pflege bestehender Anwendungen konkurriert damit zunehmend mit Modernisierungsprojekten. Dies betrifft unter anderem ERP- und MES-Landschaften, Händlersysteme sowie Plattformen für softwaredefinierte Fahrzeuge. Nach Einschätzung der Studienautoren verstärke der Übergang zu stärker softwarebasierten Fahrzeugarchitekturen den Handlungsdruck.

Auch eine unzureichende Abstimmung zwischen IT und Fachbereichen sowie eine fragmentierte Anbieter- und Werkzeuglandschaft werden als Belastungsfaktoren genannt. Sie können Integrationen erschweren und die Einführung neuer Funktionen verzögern.

Datenqualität begrenzt den Nutzen von KI

Die Datenverschuldung erreicht einen Wert von 8,20 Punkten. Als häufigste Ursache nennen 12,8 Prozent der Befragten eine schwache Data Governance und unklare Verantwortlichkeiten. Dahinter folgen fragmentierte Quellsysteme mit 10,9 Prozent sowie uneinheitliche Definitionen und Taxonomien mit 10,1 Prozent.

Diese Defizite gewinnen durch den zunehmenden Einsatz künstlicher Intelligenz an Bedeutung. KI-Anwendungen benötigen konsistente, verfügbare und ausreichend gepflegte Informationen. Verteilen sich relevante Daten auf unterschiedliche Systeme oder folgen sie abweichenden Definitionen, steigt der Aufwand für Bereinigung und Zusammenführung.

Die Studie legt deshalb nahe, dass der Erfolg von KI-Projekten nicht allein von der Leistungsfähigkeit der eingesetzten Modelle abhängt. Ebenso entscheidend seien belastbare Datenstrukturen und klar geregelte Zuständigkeiten. Nach Empfehlung der Autoren sollten Fahrzeug-, Händler- und Lieferkettendaten stärker vereinheitlicht werden. Besondere Aufmerksamkeit gelte dabei Stammdaten zu Komponenten, Stücklisten und Lieferantennetzwerken.

Prozessbrüche erschweren die Skalierung

Bei der Prozessverschuldung kommt die Automobilbranche auf 7,80 Punkte. Der Vergleichswert der übrigen Industrien beträgt 7,47 Punkte. Häufig genannt werden lokal oder regional optimierte Siloprozesse sowie kostengetriebene Kompromisse bei der Gestaltung von Abläufen.

Weitere Belastungen entstehen demnach, wenn neue Technologien eingeführt werden, ohne die zugrunde liegenden Prozesse anzupassen. Unterschiedliche Governance-Vorgaben und aufwendige Kontrollanforderungen könnten die operative Komplexität zusätzlich erhöhen.

Warum agentische KI Legacy-Systeme entlarvt

Agentic AI gilt als nächster Evolutionsschritt der KI. Doch laut einer Cognizant-Studie sind die meisten IT-Landschaften dafür nicht vorbereitet. Warum technische Schulden, Legacy-Systeme und Budgetstrukturen jetzt zum strategischen Risiko werden.

Ronja Schmiedchen

Betroffen seien etwa Beschaffung, Produktionsplanung, Händlerprozesse und die Bearbeitung von Garantie- und Servicefällen. Manuelle Übergaben und zahlreiche Ausnahmen verlängerten dort teilweise die Durchlaufzeiten. Die Untersuchung empfiehlt eine stärkere Standardisierung über Werke und Regionen hinweg sowie eine durchgängige Digitalisierung zentraler Arbeitsabläufe.

Qualifikationslücken bleiben ein Engpass

Im Bereich Talent Debt ermittelt HFS Research einen Wert von sieben Punkten. Besonders häufig verweisen die Befragten auf fehlende Qualifikationen. Dieser Faktor erreicht mit 17,1 Prozent den höchsten Einzelwert innerhalb der in der Studie dargestellten Ursachen. Daneben werden Kapazitätsengpässe und der Verlust von Erfahrungswissen genannt. Jeweils 14,4 Prozent der Angaben entfallen auf schwindendes institutionelles Wissen und zu geringe Investitionen in die Personalentwicklung. Auch eine mangelnde Übereinstimmung zwischen vorhandenen Fähigkeiten, Rollen und Organisationsstrukturen gilt als Hindernis.

Aus Sicht der Studienautoren steigt damit der Bedarf an Kompetenzen in Softwareentwicklung, Datenmanagement, künstlicher Intelligenz und Elektrifizierung. Unternehmen müssten vorhandene Beschäftigte gezielt weiterqualifizieren und zugleich kritische digitale Fachkräfte gewinnen und halten.

Größtes Potenzial liegt bei Daten und Prozessen

Obwohl die technische Verschuldung den höchsten Belastungswert aufweist, entfällt der größte berechnete wirtschaftliche Hebel auf Daten und Prozesse. Für den Abbau der Data Debt nennt die Untersuchung ein jährliches Potenzial von 432,5 Milliarden US-Dollar. Die Prozessverschuldung steht für weitere 393,6 Milliarden US-Dollar. Auf technische Altlasten entfallen nach dem Modell 96,6 Milliarden US-Dollar. Der Bereich Talent Debt kommt auf 66,3 Milliarden US-Dollar. Die Unterschiede erklären sich daraus, dass der jeweilige Schuldenwert und das wirtschaftliche Potenzial nicht identisch berechnet werden.

Die Ergebnisse sprechen dafür, Modernisierungsprogramme nicht auf einzelne Anwendungen oder isolierte KI-Projekte zu beschränken. Nachhaltige Verbesserungen dürften vielmehr davon abhängen, ob Unternehmen technische Architektur, Datenmanagement, Prozesse und Qualifikationen gemeinsam weiterentwickeln.