Wie Agentic AI die Fahrzeugentwicklung verändert

Agentic AI entwickelt sich vom Buzzword zum Engineering-Werkzeug. Im Expert Talk unseres englischen Schwestermagazins Automotive Digital Transformation ADT anlässlich der Automotive Software Strategies US 2026 Conference, die am 3. und 4. November im kalifornischen San José stattfindet, tauschten sich drei Mitglieder des Konferenzbeirats praxisnah darüber aus, welche Rolle Agentic AI künftig in der Fahrzeugentwicklung spielen kann. Im Zentrum standen Überlegungen, wie autonome, zielorientierte KI-Systeme die Entwicklung und Validierung von Automotive-Software sowie das Ökosystem rund um das SDV verändern können.

Auf dem virtuellen Panel kamen Florian Rohde, Managing Partner bei iProcess, Stefano Marzani, Emerging Tech Strategy Leader for Automotive and Manufacturing bei AWS, und Moderator Martin Schleicher, unabhängiger Berater und Conference Chairman, zusammen. Im Mittelpunkt des Gesprächs stand die Frage: Was kann Agentic AI in der Automotive-Software bereits leisten – und wo muss die Branche weiterhin vorsichtig bleiben?

KI kann (und konnte) schon lange mehr als Code

Schleicher eröffnete die Diskussion mit dem Hinweis auf den rasanten Aufstieg KI-gestützter Softwareentwicklung. Das Panel räumte jedoch schnell mit dem weitverbreiteten Missverständnis auf, KI schreibe einfach nur Code. Rohde stellte klar: „Viele Menschen glauben, ein Softwareentwickler schreibe den ganzen Tag Code, acht Stunden lang. Das stimmt nicht und hat auch früher nie gestimmt.“ Engineering bedeute, so betonte er, auch Architektur, Analyse, Validierung, Timing und Systemverständnis.

Marzani stimmte dem zu und beschrieb Agentic AI als einen der bedeutendsten Umbrüche, die er in der Automotive-Softwareentwicklung erlebt habe. Für klassische OEMs und Zulieferer sieht er eine große Chance, Entwicklungsprozesse zu modernisieren und langjährige Ineffizienzen zu reduzieren.

Was Agentic AI heute schon leisten kann

Nach Einschätzung des Panels liegen die ersten starken Anwendungsfälle nicht in futuristischen Fahrzeugfunktionen, sondern in der alltäglichen Engineering-Arbeit. Agentic AI kann bei der Erstellung von Anforderungen, Konsistenzprüfungen, Dokumentation, Codegenerierung, der Erzeugung von Testfällen und Verifikations-Workflows unterstützen.

Rohde beschrieb dies als Möglichkeit, mühsame Prozessarbeit von den Ingenieuren fernzuhalten. Ziel sei nicht, menschliche Expertise zu ersetzen, sondern Ingenieuren mehr Raum für Innovation zu geben. „Was treibt uns als Ingenieure wirklich an, was begeistert uns?“, fragte er. Und lieferte mit „Innovation!“ die Antwort auf dem Fuße selbst.

Marzani nahm eine breitere Perspektive ein. KI könne bereits heute entlang von Anforderungen, Modellen, Code und Verifikation unterstützen. Besonders großes Potenzial sieht er bei V&V: „Es ist unglaublich, was GenAI bei V&V leisten kann.“ In der Verifikation und Validierung, die einen großen Teil der Automotive-Softwareentwicklung prägt, könnte Agentic AI helfen, Testvektoren zu erzeugen, die Konsistenz zwischen Anforderungen und Code zu prüfen, Fault Injection zu unterstützen und Nachweise für ASPICE vorzubereiten. In der richtigen Engineering-Umgebung eingesetzt, könnte dies sowohl Geschwindigkeit als auch Abdeckung erhöhen.

Gleichzeitig warnten die Experten davor, Agenten als magische Zusatzschicht zu verstehen. Schleicher verwies auf das altbekannte Gigo-Prinzip: Garbage in, Garbage out. Gute Prompts und eine klare Zielsetzung seien wichtig. Ebenso wichtig seien jedoch strukturierte Daten, verständliche Anforderungen und ein ausgereifter Engineering-Prozess.

Agentic AI im Fokus: Was Entscheider jetzt wissen müssen

Agentic AI ist mehr als ein Trend. Sie verändert Prozesse, Entscheidungen und Unternehmenssteuerung. Unser Themenkompass bündelt für Sie Hintergründe, Spannungsfelder und strategische Orientierungsmarken. Jetzt herunterladen und die richtigen Fragen früher stellen.

Warum virtuelle ECUs für Agentic Workflows entscheidend sind

Für Marzani braucht Agentic AI die richtige technische Grundlage. Agenten lassen sich nicht effizient skalieren, wenn sie von physischer Hardware abhängig sind, die im wahrsten Wortsinne nicht greifbar ist. „Agenten können nicht wirklich gut skalieren, wenn sie mit einem Stück Hardware umgehen müssen, das irgendwo auf der Welt auf einem Schreibtisch rumliegt“, sagte er. Damit rücken virtuelle ECUs, Software-in-the-Loop-Umgebungen und cloudnative Engineering-Workbenches in den Mittelpunkt der Diskussion. Je stärker Entwicklung und Tests virtualisiert, automatisiert und reproduzierbar gemacht werden können, desto wirksamer können Agenten mit der Engineering-Umgebung interagieren. Das wiederum hat direkte Folgen für die Toolchain. Klassische grafische Benutzeroberflächen können für Menschen weiterhin nützlich sein, doch Agenten benötigen APIs, Command-Line-Interfaces und Model-Context-Protocol-Server. Rohde erinnerte an eine Diskussion aus seiner Zeit bei Tesla, als er einem Toolanbieter sagte: „Alles, was ich mit einem Mausklick tun kann, muss ich auch über eine Kommandozeile tun können.“ Sein Fazit: „Tools, die nur über eine UI oder GUI funktionieren, werden es von jetzt an sehr schwer haben.“ Wenn ein Werkzeug für Agenten nicht zugänglich ist, droht es, aus künftigen Entwicklungs-Workflows herauszufallen.

Wie weit die Automobilindustrie bereits ist

Schleicher zufolge sind Unternehmen mit automatisierten Build-Umgebungen, Git-basierten Workflows und skalierbaren CI/CD-Strukturen bereits in einer starken Position. Er habe erwartet, dass viele Organisationen noch im Proof-of-Concept-Modus seien. Stattdessen habe er festgestellt, dass manche Unternehmen Agenten schnell integrieren können, weil ihre Softwareprozesse bereits hochgradig automatisiert sind.

Marzani bestätigte die Geschwindigkeit des Wandels: „Ich habe in der Automobilindustrie noch nie eine Dynamik wie diese gesehen. So schnell, so tiefgreifend.“ Zugleich warnte er, dass fragmentierte Fahrzeugarchitekturen weiterhin eine Begrenzung darstellen. Agenten einfach auf ein hochgradig verteiltes System mit vielen einzelnen ECUs zu setzen, schaffe für sich genommen noch keine Effizienz. Zunächst brauche es Platform-Engineering, Konsolidierung und Virtualisierung.

Rohde ergänzte eine wichtige Unterscheidung: Die meisten aktuellen Anwendungsfälle konzentrierten sich auf R&D-Workflows und nicht auf sicherheitsrelevante KI-Funktionen, die im Fahrzeug laufen. Anforderungen, Traceability, Compliance-Prüfungen und Testgenerierung seien die eine Seite. KI in Fahrzeugfunktionen sei ein anderes und deutlich stärker reguliertes Thema.

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.

Was Agentic AI für Safety und Compliance bedeutet

Das Panel behandelte funktionale Sicherheit mit Vorsicht. Auf die Frage, ob von Agenten generierte Software eines Tages ohne weitere menschliche Prüfung ins Fahrzeug gelangen könne, antwortete Rohde: „Irgendwann. Zu einem bestimmten Zeitpunkt.“ Marzani erklärte, dass sich Agentic AI zunehmend in Richtung schleifenbasierter Systeme entwickle. Statt dass ein Prompt ein Ergebnis erzeugt, arbeiten Agenten auf definierte Ziele hin, verifizieren Resultate und speisen Erkenntnisse wieder in den Prozess zurück. Wenn eine Anforderung innerhalb einer solchen Schleife verifiziert werden kann, werde der durch diese Verifikation erzeugte Nachweis zentral für den Engineering-Prozess.

Gleichzeitig räumte Marzani eine Grauzone ein: Ein Agent selbst ist kein deterministisches, zertifiziertes Werkzeug. Rohde ergänzte, dass Standards wie ASPICE ursprünglich für menschliche Assessoren entwickelt wurden, die Stichproben prüfen. Agentic AI könne potenziell deutlich mehr Artefakte und Traceability-Pfade prüfen, vielleicht sogar eine vollständige Abdeckung ermöglichen. Das schaffe eine große Chance, aber auch eine Herausforderung für Standards und Bewertungsmethoden.

Die Botschaft war daher eindeutig: KI ersetzt kein Safety Engineering. Sie kann Konsistenz, Abdeckung und Traceability stärken, sofern sie in strenge Prozesse eingebettet ist und von Menschen überprüft wird, die das System verstehen.

Wie Agenten Diagnose und Flottenlernen verbessern könnten

Über Entwicklungsaspekte hinaus diskutierten die Experten auch den Fahrzeugbetrieb. Rohde beschrieb, wie schwierig es früher gewesen sei, seltene Feldprobleme aus großen Fahrzeugdatensätzen zu identifizieren. Mit Agentic AI könnten Ingenieure wesentlich größere Datenmengen analysieren und nach Anomalien suchen, die sie vorab möglicherweise gar nicht kennen. Als beispielhafte Anweisung an einen Agenten nannte er folgende: „Bitte finde etwas, das verdächtig aussieht.“

Das könnte für Diagnose, Prognose und Sicherheitsanalysen wertvoll werden. Marzani verband die Idee mit einer Cloud-to-Edge-Schleife: Fahrzeugdaten werden gesammelt, von Agenten triagiert, dem richtigen Engineering-Team zugeordnet und mit möglichen Reproduktionsumgebungen verknüpft. Künftig könnte ein Agent helfen, einen seltenen Fehler zu identifizieren, eine wahrscheinliche Ursache vorzuschlagen und die Konfiguration vorzubereiten, die zur Reproduktion des Bugs erforderlich ist. Der Ingenieur bleibt dabei im Loop. Der Weg vom Feldsymptom zur Korrekturmaßnahme könnte jedoch kürzer werden.

„Agentic AI wirft neuartige Haftungsfragen auf“

Agentic AI gilt als nächste Evolutionsstufe der künstlichen Intelligenz: Systeme handeln eigenständig, treffen Entscheidungen und lösen Probleme. Doch wie passt das zum AI Act und zur Regulierung im Automotive-Sektor? Zwei Rechtsexperten klären offenen Fragen.

Warum SDVs eine softwaredefinierte Lieferkette brauchen

Die lange Lebensdauer von Fahrzeugen erhöht die Komplexität zusätzlich. Rohde argumentierte, die Branche müsse sich von der Vorstellung lösen, Software einmal zu schreiben und dann über Jahre unverändert zu pflegen. Fahrzeugsoftware müsse vielmehr kontinuierlich gepflegt werden. Marzani übertrug diesen Gedanken auf Zulieferer und OEMs: „Es gibt kein softwaredefiniertes Fahrzeug ohne eine softwaredefinierte Lieferkette.“ OEMs müssten Zulieferer in Richtung moderner Engineering-Praktiken, virtueller ECUs, Platform-Engineering und cloudnativer Entwicklung führen. Das Panel sprach auch über Quellcode und Geschäftsmodelle. Rohde argumentierte, dass Quellcode selbst als geistiges Eigentum an Bedeutung verlieren könnte, wenn KI ihn generieren kann. Der eigentliche Wert könne stärker im Design, in der Domänenexpertise und in der Art liegen, wie diese Expertise in das Produkt eingebettet wird. Marzani beschrieb dies als eine Art „agentisches Rüstzeug“ beziehungsweise als Rahmen, den Unternehmen um ihre Expertise herum schaffen. Für Endkunden bleibe das entscheidende Ergebnis jedoch einfach: eine bessere User Experience zu einem bezahlbaren Preis.

Warum Expertise im KI-Zeitalter weiterhin zählt

Das Panel endete mit einer realistischen Einschätzung: Agentic AI kann Entwicklung beschleunigen, Validierung verbessern und neue Workflows für SDVs unterstützen. Zugleich erhöht sie den Bedarf an erfahrenen Ingenieuren, die beurteilen können, ob ein KI-Ergebnis sinnvoll, sicher und technisch belastbar ist. Rohde formulierte die deutlichste Warnung: „Wenn man nicht weiß, wovon man spricht, sieht man dumm aus, wenn man KI-Ergebnisse einfach nutzt, ohne sie zu verstehen.“ Schleicher fasste es mit einer bekannten Formulierung zusammen, die auch im KI-Zeitalter passt und keiner Übersetzung bedarf: „A fool with a tool is still a fool.“ Genau deshalb lohnt es sich, die vollständige Diskussion anzusehen. Sie zeigt, wo Agentic AI bereits nützlich ist, was sich an Architekturen und Toolchains ändern muss und warum Automotive-Software nicht nur von KI-Modellen geprägt wird, sondern auch von den sie begleitenden Menschen und Prozessen.

AI Coding könnte zur Gehaltsfrage für IT-Budgets werden

Eine neue Analyse vom Beratungsunternehmen Gartner erwartet, dass die Kosten für AI Coding bis 2028 über dem durchschnittlichen Entwicklergehalt liegen könnten. Grund sei der steigende Tokenverbrauch durch KI-Agenten und der Wechsel zu nutzungsbasierten Preismodellen.