Kritische Rohstoffe wie Kobalt bedrohen Lieferketten in der Autoindustrie. Wie KI-gestützte Materialsubstitution Risiken senkt und Innovation beschleunigt.
Wie KI der Autoindustrie bei kritischen Rohstoffen hilft
Im Akku eines durchschnittlichen Elektroautos stecken heute mehrere Kilogramm kritischer Rohstoffe. Ein einzelner Engpass bei Kobalt, Lithium oder Grafit – und ganze Produktionsbänder in Deutschland stehen still. Genau das ist kein theoretisches Risiko mehr, sondern tägliches Risiko-Management in Einkauf, Entwicklung und Produktion.
Hier liegt der eigentliche Hebel von Künstlicher Intelligenz in der Automobilindustrie im Jahr 2025: nicht nur bei autonomen Fahrzeugen oder Predictive Maintenance, sondern ganz bodenständig bei der Frage: Welches Material können wir morgen einsetzen, wenn das von heute zu teuer, zu riskant oder schlicht verboten ist?
Ein Forschungsteam am Fraunhofer IPA in Stuttgart zeigt mit einem neuen KI-gestützten Materialsubstitutionstool, wie dieser Spagat funktionieren kann. Genau darum geht es in diesem Beitrag – und darum, was OEMs und Zulieferer konkret daraus machen können.
Warum Materialsubstitution zur Chefsache in der Autoindustrie wird
Der Kernpunkt: Ohne systematische Materialsubstitution wird die deutsche Automobilindustrie ihre Lieferkettenrisiken und Nachhaltigkeitsziele nicht in den Griff bekommen.
Mehrere Entwicklungen treffen sich hier:
- Kritische Rohstoffe: Kobalt, Nickel, seltene Erden oder Platingruppenmetalle sind knapp, geografisch konzentriert und politisch sensibel.
- Preisexplosionen: Rohstoffpreise schwanken inzwischen teils um zweistellige Prozentwerte innerhalb weniger Monate.
- Regulatorik: REACH, Batterie-Verordnung, Lieferkettensorgfaltspflichtengesetz und EU-Green-Deal verschärfen kontinuierlich die Anforderungen.
- Technische Innovation: Neue Zellchemien, leichtere Fahrwerke, Recycling-Konzepte – überall werden neue Materialeigenschaften gebraucht.
Die Realität in vielen Unternehmen: Materialwissen sitzt in Köpfen und Excel-Tabellen, historische Entscheidungen wurden nie systematisch dokumentiert, Daten sind verstreut über Entwicklung, Einkauf, Qualität und HSE. Die Folge:
Materialsubstitution wird oft als einmaliger Krisen-Feuerwehreinsatz behandelt – statt als strategischer, datengetriebener Prozess.
Genau hier setzt das KI-gestützte Vorgehen vom Fraunhofer IPA an.
Wie das KI-Tool des Fraunhofer IPA nach Materialalternativen sucht
Der entscheidende Unterschied zu klassischen Datenbankrecherchen: Die KI versteht den Anwendungskontext, nicht nur den Namen des Werkstoffs.
Schritt 1: Anwendungsfall präzise beschreiben
Über eine Eingabemaske definieren Ingenieurinnen und Ingenieure zuerst:
- Ausgangsmaterial (z. B. Kobalt-haltige Kathodenchemie, bestimmte Stähle, Kunststoffe oder Beschichtungen)
- benötigte Funktionalität (z. B. Energiedichte, Korrosionsbeständigkeit, Schlagzähigkeit, Temperaturverhalten)
- Randbedingungen im Einsatz (z. B. E-Auto-Batterie, Crash-relevante Strukturkomponente, Hochvoltsystem, Unterbodenbereich)
- besondere Anforderungen (z. B. halogenfrei, kobaltarm, recyclingfähig, REACH-konform)
Damit ist klar: Es geht nicht um „Material X durch Material Y ersetzen“, sondern um „Funktion A unter Bedingungen B mit neuen Restriktionen C erfüllen“.
Schritt 2: KI recherchiert in wissenschaftlicher Literatur
Statt nur auf interne Tabellen zu schauen, nutzt das Tool die Datenbank Semantic Scholar. Die KI durchsucht dort tausende wissenschaftliche Publikationen:
- interpretiert technische Beschreibungen und Materialeigenschaften
- gleicht diese mit den Eingaben der Nutzenden ab
- schlägt konkrete Materialalternativen vor, die im Kontext passen
Das Ergebnis ist eine Liste möglicher Substitute – kein fertiger Freigabevorschlag, aber ein deutlich besserer Ausgangspunkt als die übliche Google-Recherche plus Bauchgefühl.
Schritt 3: Ganzheitliche Bewertung statt reiner Technik
Die KI-Auswahl ist nur der Anfang. Das Fraunhofer-Team bewertet anschließend systematisch:
- Rechtliche Aspekte: regulatorische Verbote, Kandidatenlisten, branchenspezifische Normen
- Ökologische Auswirkungen: CO₂-Fußabdruck, Energiebedarf, Umweltwirkungen im Lebenszyklus
- Soziale Kriterien: Arbeitsbedingungen, Herkunftsländer, Konfliktrohstoffe
- Versorgungssicherheit: Reserven, geografische Konzentration, politische Risiken
Am Ende steht ein strukturierter Bericht, in dem mehrere Alternativen gegenübergestellt und priorisiert werden. Unternehmen erhalten damit eine fundierte Entscheidungsgrundlage, die Einkauf, Entwicklung, Nachhaltigkeit und Management gemeinsam nutzen können.
Konkretes Beispiel: Kobalt in Batterien ersetzen
Ein Beispiel aus dem Projekt macht gut deutlich, wie das in der Praxis aussieht.
Kobalt als Risikomaterial in der Elektromobilität
Kobalt ist ein klassischer Problemfall für die Automobilindustrie:
- Anteil an der Erdkruste: nur etwa 0,004 %
- bekannte Weltreserven: ca. 7,2 Mio. Tonnen
- über 50 % der Reserven liegen in der Demokratischen Republik Kongo
Dazu kommen Berichte über schlechte Arbeitsbedingungen, Kinderarbeit und erhebliche Umweltschäden. Für OEMs und Zellhersteller ist das ein toxischer Mix aus Kosten-, Reputations- und Lieferrisiko.
Was die KI vorschlägt
Im Testlauf mit dem Fraunhofer-Tool wurde nach Alternativen zu kobaltbasierten Kathodenmaterialien in Lithium-Ionen-Batterien gesucht. Die KI identifizierte unter anderem:
- Lithium-Eisenphosphat (LFP) als Alternative zu Lithium-Nickel-Mangan-Kobalt-Oxid (NMC)
Das ist in der Fachwelt keine Überraschung – LFP ist längst bekannt. Spannend ist aber, dass die KI das im konkreten Anwendungskontext korrekt erkennt und einordnet.
Warum ist das relevant für die Autoindustrie?
- LFP-Batterien verzichten komplett auf Kobalt.
- Sie bieten eine hohe Zyklenfestigkeit und gute Sicherheit.
- Die Energiedichte ist niedriger, eignet sich aber hervorragend für Volumenmodelle, Stadtfahrzeuge, Lieferflotten.
Gerade im deutschen Markt sehen wir 2025 einen klaren Trend: OEMs splitten ihre Batterieportfolios, setzen im Premiumsegment weiterhin auf hochenergetische NMC-Varianten und im Volumensegment zunehmend auf LFP – nicht zuletzt, um Kosten und Rohstoffrisiken zu senken.
Das Fraunhofer-Tool kann solche bekannten Wege bestätigen – und im zweiten Schritt auch weniger offensichtliche Optionen in angrenzenden Anwendungen sichtbar machen, etwa:
- alternative Legierungen für E-Motor-Komponenten
- Substitution kritischer Additive in Kunststoffen
- neue Beschichtungsstoffe ohne problematische Lösemittel
Was KI-gestützte Materialsuche für OEMs und Zulieferer praktisch bedeutet
Für Unternehmen der Automobilindustrie ist die eigentliche Frage: Wie integriere ich so ein KI-Tool sinnvoll in meine Organisation?
1. Von der „Materialkrise“ zum standardisierten Prozess
Statt nur zu reagieren, wenn ein Lieferant ausfällt oder eine Substanz reguliert wird, lohnt sich ein strukturierter Ansatz:
- Risikomaterialien identifizieren (z. B. Kobalt, Nickel, bestimmte Flammschutzmittel, Lösemittel, PFAS)
- KI-gestützte Vorauswahl möglicher Alternativen für diese Materialien
- Bewertung in interdisziplinären Runden (F&E, Einkauf, Qualität, HSE, Nachhaltigkeit)
- Technische Tests und Musteraufbauten im Labor und Pilotfertigung
- Freigabeprozess und Dokumentation für Audit- und Reportingsysteme
Wer diesen Zyklus einmal sauber aufsetzt, kann ihn für viele Materialien wiederverwenden – und gewinnt mit jeder Runde Daten und Know-how hinzu.
2. Einkauf und Entwicklung enger verzahnen
Materialsubstitution wird häufig zu spät in der Entwicklung adressiert. KI-gestützte Tools bieten die Chance, früher zu entscheiden, bevor sich ein bestimmtes Material tief im Produktdesign verankert.
Konkret heißt das:
- Entwicklungsprojekte bekommen einen Standard-Check „kritische Rohstoffe“.
- Der Einkauf bringt frühzeitig Marktperspektive und Lieferkettendaten ein.
- Nachhaltigkeits- und Compliance-Teams liefern Vorgaben aus Regulierung und ESG.
Die KI unterstützt dabei mit Vorschlägen, die fachlich diskutiert werden – sie ersetzt keine Ingenieurin und keinen Werkstoffexperten, aber sie verschiebt den Fokus: weg vom Suchen, hin zum Bewerten und Entscheiden.
3. Nachhaltigkeit und Lieferkettengesetz nicht als Bürde sehen
Das neue Tool ist Teil des Projekts „Ultraeffizienzfabrik – Deep Dive“, gefördert vom Umweltministerium Baden-Württemberg. Der Ansatz dahinter ist klar: Ökologische, ökonomische und soziale Kriterien werden nicht getrennt gedacht.
Für Autohersteller bedeutet das:
- Klimaziele, Recyclingquoten und CO₂-Flottenziele hängen unmittelbar an der Materialwahl.
- Das Lieferkettensorgfaltspflichtengesetz verlangt Transparenz zu sozialen Risiken.
- Investoren und Kunden schauen zunehmend auf ESG-Reporting, nicht nur auf Reichweite und PS.
KI-unterstützte Materialsubstitution schafft die Datengrundlage, um diese Dimensionen gemeinsam zu betrachten – statt Nachhaltigkeit nur als später „Filter“ über ein technisch fertiges Design zu legen.
Wie Unternehmen konkret starten können
Der Weg zu KI-gestützter Materialsubstitution muss kein Großprojekt sein. Aus Projekterfahrung heraus funktioniert ein gestufter Einstieg deutlich besser.
Schritt 1: Pilotanwendung auswählen
Sinnvoll ist ein klar begrenzter, aber relevanter Anwendungsfall, etwa:
- Batteriekomponenten (Kathodenmaterial, Binder, Elektrolyte)
- Hochvoltkabel und Isolationsmaterialien
- Flammschutzmittel in Innenraumkunststoffen
- Korrosionsschutzbeschichtungen im Unterbodenbereich
Wichtig ist: Der Fall sollte geschäftskritisch genug sein, damit Management und Fachabteilungen mitziehen, aber nicht sicherheitskritisch im Sinne von „jede Änderung braucht 5 Jahre Validierung“.
Schritt 2: Datenstrukturen klären
Bevor KI sinnvoll unterstützt, brauchen Unternehmen Klarheit über ihre eigenen Daten:
- Welche Materialien und Stoffe setzen wir wo ein?
- Welche technischen Spezifikationen, Normen und Freigabeprozesse existieren?
- Welche regulatorischen und ESG-Vorgaben gelten bereits?
Oft ist der größte Hebel anfangs gar nicht die KI selbst, sondern das Aufräumen und Strukturieren der Materialdaten.
Schritt 3: KI-Ergebnisse in den Entwicklungsprozess integrieren
In der Praxis hat sich bewährt:
- KI-Vorschläge werden als Diskussionsgrundlage in bestehende Gremien (z. B. Material- oder Design-Reviews) eingebracht.
- Ergebnisse und Entscheidungen werden zentral dokumentiert, sodass Learnings für weitere Projekte nutzbar sind.
- Parallel wird geschaut, welche wiederkehrenden Fragestellungen sich besonders gut für weitere Automatisierung eignen.
So entsteht mit der Zeit eine „Material-Wissensbasis“, in der KI und Expert:innen gemeinsam arbeiten – statt eine Blackbox-Entscheidung, der niemand vertraut.
Fazit: KI wird zum strategischen Werkzeug für Rohstoffsicherheit
Wer 2025 in der deutschen Automobilindustrie Verantwortung trägt, steht unter massivem Druck: Kosten senken, Lieferketten stabil halten, CO₂ reduzieren, Gesetze einhalten, Innovation liefern. Materialwahl und Rohstoffstrategie sind dabei einer der größten Hebel – und gleichzeitig einer der am schlechtesten digital unterstützten Bereiche.
Das KI-gestützte Materialsubstitutionstool des Fraunhofer IPA zeigt einen pragmatischen Weg:
- KI durchforstet systematisch wissenschaftliche Literatur nach Alternativen.
- Fachleute bewerten diese Vorschläge ganzheitlich nach Technik, Recht, Ökologie, Sozialkriterien und Versorgungssicherheit.
- Unternehmen erhalten strukturierte Entscheidungsgrundlagen, statt ad-hoc-Reaktionen auf die nächste Marktkrise.
Wer jetzt anfängt, KI-gestützte Materialsubstitution in Entwicklung und Einkauf zu integrieren, verschafft sich einen klaren Vorsprung – technisch, wirtschaftlich und regulatorisch. Die spannende Frage für 2026 lautet daher weniger: „Ob“ KI in der Materialauswahl genutzt wird, sondern: „Wie konsequent setzen Sie sie schon ein – und in welchen Bauteilen Ihres nächsten Fahrzeugs wird man das sehen?“