Die BearingPoint-Studie zeigt: Hoher KI-Wille, massive Altlasten. Wie deutsche Automobilwerke Legacy, Kultur und Kompetenzen so angehen, dass KI wirklich produktiv wird.
KI in der Automobilproduktion: Warum Altlasten jetzt richtig teuer werden
60 % der Führungskräfte in Automobil- und Industrieproduktion sehen alte IT- und Produktionssysteme als größte Hürde für Künstliche Intelligenz. In anderen Branchen sind es nur 29 %. Das ist kein Randdetail, sondern der Kern der aktuellen Standortfrage: Wer seine Legacy-Strukturen nicht in den Griff bekommt, verliert den KI-Anschluss – und damit Produktivität, Qualität und Innovationskraft.
Für die Reihe „KI in der deutschen Automobilindustrie: Produktion und Innovation“ ist die neue BearingPoint-Studie deshalb ein guter Realitätscheck. Sie zeigt, wo Automobilhersteller und Zulieferer beim Thema KI wirklich stehen: hohe Ambitionen, massive Altlasten, kulturelle Blockaden – und erstaunlich wenig Fokus auf Qualifizierung.
In diesem Beitrag geht es darum, was diese Ergebnisse für deutsche Werke konkret bedeuten, wo die größten Risiken liegen und wie sich Betriebe auf Baustelle 4.0 ausrichten können, ohne ihre Organisation zu überfordern.
1. KI-Ambitionen vs. Legacy-Systeme: Der Knoten in der Produktion
Der wichtigste Befund der Studie: Die Automobil- und Industrieproduktion will KI – scheitert aber an ihren eigenen Strukturen.
Veraltete Systeme als größte Einzelhürde
Laut BearingPoint nennen 60 % der befragten Entscheider aus Auto- und Industrieproduktion die Integration mit Legacy-Systemen als größte Hürde für KI-Projekte. In anderen Branchen sind es 29 %. Das passt exakt zu dem Bild, das viele Werke abgeben:
- historisch gewachsene MES- und ERP-Landschaften
- eigenentwickelte Insel-Lösungen in der Produktion
- SPS-Generationen aus drei Jahrzehnten – aber alle noch im Einsatz
- fehlende durchgängige Datenmodelle über Standorte und Werke hinweg
Hier ist der Punkt: KI braucht saubere, verfügbare Datenströme – nicht nur einzelne Dateninseln. Ein Vision-Pilot an einer Linie ist schnell gemacht. Der Roll-out scheitert dann oft an unvereinbaren IT-Strukturen, Sicherheitsbedenken oder schlicht daran, dass Daten nicht konsistent sind.
Typische KI-Deadlocks in Werken
Ich sehe in Automobilwerken immer wieder die gleichen Muster:
- Ein Proof-of-Concept zur KI-Qualitätskontrolle funktioniert im Labor – scheitert aber in der Serienproduktion, weil keine stabile Schnittstelle vom Kamerasystem zum bestehenden MES existiert.
- Predictive-Maintenance-Modelle laufen auf einzelnen Anlagen, doch die Daten aus Alt-SPS lassen sich nicht zentral zusammenfĂĽhren.
- Lokale IT-Teams verteidigen bestehende Lösungen, weil sie befürchten, funktionierende Systeme „kaputt zu modernisieren“.
Die Folge: KI bleibt im Pilotmodus, während Wettbewerber – gerade aus Asien – bereits linien-übergreifende, standardisierte KI-Services etabliert haben.
2. Kulturelle Widerstände: Technik ist nicht das Hauptproblem
Die Studie legt schonungslos offen, was viele intern nur hinter vorgehaltener Hand sagen: Der Mensch ist oft der größere Bremsklotz als die Technik.
- 51 % der Unternehmen aus Automobil- und Industrieproduktion nennen organisationalen Widerstand als zentrale HĂĽrde.
- In anderen Branchen sind es nur 20 %.
Warum Veränderung in Werken so schwerfällt
Automobilproduktion ist auf Stabilität, Takt und Reproduzierbarkeit optimiert. Das hat jahrzehntelang hervorragend funktioniert. Genau diese Stärken drehen sich bei KI-Transformation teilweise ins Negative:
- starre Hierarchien und klar getrennte Zuständigkeiten
- „Never change a running system“-Mentalität in Produktion und Instandhaltung
- tief verankerte Routinen, die als Erfolgsrezept der Vergangenheit gesehen werden
Gerade in deutschen Werken ist das Verständnis von Prozesshoheit stark ausgeprägt: Meister, Schichtführer und Instandhalter wollen nachvollziehen können, warum das System entscheidet. Ein „Black Box“-KI-Modell, das Ausschuss klassifiziert, ohne erklärbar zu sein, erzeugt eher Abwehr als Akzeptanz.
Ohne Beteiligung der Belegschaft kippt jedes KI-Projekt
Wer KI nur als Top-down-Technologieprogramm fährt, scheitert. Erfolgreiche Betriebe im Umfeld „Baustelle 4.0“ gehen anders vor:
- Linienmitarbeiter und Meister frĂĽh einbeziehen
- KI-Anwendungen so gestalten, dass sie unterstĂĽtzen statt bevormunden (Decision Support statt Autopilot)
- Erfolge sichtbar machen: z. B. konkrete Reduktion von Nacharbeit oder schnellere Störungsbehebung an einzelnen Linien transparent ausweisen
Die Realität ist simpel: Akzeptanz gewinnt man nicht über Folien, sondern über erlebbare Verbesserungen im Alltag auf der Linie.
3. Überkapazitäten, Fachkräftemangel, Kompetenzlücken: das KI-Dreifachproblem
Ein weiterer spannender Punkt der Studie: Die Branche rechnet bis 2028 mit höheren KI-bedingten Personalüberhängen als andere Sektoren – und gleichzeitig mit größeren Kompetenzlücken im Umgang mit KI.
Wie passt das zusammen?
Auf den ersten Blick widersprĂĽchlich, auf den zweiten vollkommen logisch:
- KI und Automatisierung reduzieren manuelle, repetitive Tätigkeiten – etwa in Sichtprüfung, Dokumentation oder einfachen Logistikabläufen.
- Gleichzeitig steigt der Bedarf an Datenkompetenz, Prozessverständnis und Systemintegration.
Viele Unternehmen reagieren bislang falsch:
- Abbau in Bereichen, in denen kurzfristig Überkapazitäten entstehen
- zu wenig gezielte Qualifizierung für neue KI-Rollen in Produktion, Instandhaltung und Qualitätssicherung
Laut BearingPoint investieren nur 27 % der Auto- und Industrieunternehmen gezielt in Reskilling-Programme – andere Branchen liegen mit 46 % deutlich darüber.
Konkrete Kompetenzfelder fĂĽr die Automobilproduktion
Wer die Lücke schließen will, sollte interne Profile gezielt entwickeln statt nur „Data Scientists von außen“ zu suchen. In der Praxis relevant sind zum Beispiel:
- Line Owner mit Datenfokus: Meister, die Kennzahlen aus KI-Systemen interpretieren und in Schichtentscheidungen übersetzen können.
- Instandhalter mit Analytics-Basiswissen: Fähigkeit, Anomalie-Reports und Zustandsprognosen zu verstehen und in Wartungspläne zu überführen.
- Prozessingenieure als KI-Product Owner: Schnittstelle zwischen Werk, IT und Daten-Team mit Verantwortung fĂĽr konkrete KI-Use-Cases.
Gerade deutsche Automobilzulieferer könnten hier punkten: Sie haben tiefes Prozesswissen im Haus, nutzen es aber noch zu wenig für datengetriebene Rollen.
4. Resiliente KI-Strategien: Vorsicht ist gut – aber nicht als Dauerzustand
Die Studie zeigt, dass 67 % der Unternehmen in Automobil- und Industrieproduktion einen KI-Ansatz verfolgen, der stark auf Balance und Widerstandsfähigkeit ausgerichtet ist. In anderen Branchen verfolgen nur 37 % diesen Kurs.
Heißt konkret: Die Branche arbeitet lieber mit zukunftssicheren Roadmaps, Szenarien und Risikobetrachtungen, statt auf schnelle Disruption zu setzen. Das ist angesichts geopolitischer Spannungen, Energiepreisen und Transformationsdruck zur Elektromobilität verständlich – darf aber nicht in Dauerparalyse münden.
Resilienz richtig verstehen
Resilienz heißt nicht „bloß nichts riskieren“, sondern kontrolliert und lernfähig experimentieren. In der Praxis funktioniert das in drei Schritten gut:
-
Klar priorisierte Use-Cases wählen
Fokus auf Bereiche mit messbarem Nutzen und beherrschbarem Risiko, z. B.:- Visuelle Qualitätskontrolle von Schweißnähten oder Lackoberflächen
- KI-gestĂĽtzte Reihenfolgeplanung in der Endmontage
- Lieferketten-Optimierung fĂĽr Batteriemodule oder Halbleiter
-
Standardisierte KI-Bausteine etablieren
Statt für jede Linie neu zu starten, wiederverwendbare Module aufbauen:- zentrales Datenmodell für Produktions- und Qualitätsdaten
- wiederverwendbare Vision-Pipelines fĂĽr verschiedene Inspektionsaufgaben
- zentrale Governance fĂĽr Modelltraining, Versionierung und Monitoring
-
Transformation in verträgliches Tempo übersetzen
Ambitioniert, aber überlebbar:- pro Werk 2–3 priorisierte KI-Use-Cases, klar budgetiert und mit Business-Case
- regelmäßige Reviews mit Werksleitung, HR, IT und Betriebsrat
- Transparenz über Auswirkungen auf Rollen, Schichten und benötigte Qualifikationen
Die Kunst besteht darin, keinen „Big Bang“ zu versprechen, sondern eine nachvollziehbare Roadmap, an deren Ende echte Produktivitäts-, Qualitäts- und Liefervorteile stehen.
5. Praktische Handlungsempfehlungen fĂĽr Werke und Zulieferer
Die Studie endet mit der Forderung nach entschlossenem Handeln. Was heißt das konkret für ein deutsches Automobilwerk im Jahr 2025/2026 – mitten im Kostendruck, zwischen Verbrenner-Rückbau und Hochlauf der Elektromobilität?
Hier ein praxisnaher Fahrplan, der sich mit den BearingPoint-Befunden gut deckt:
1. Altlasten systematisch adressieren
- Systeminventur starten: Welche MES-, ERP-, SPS- und Inselsysteme laufen in welchen Werken? Wo liegen welche Daten in welcher Qualität?
- „KI-Readiness“-Score je Werk definieren: Konnektivität, Datenqualität, IT-Sicherheit, Standardisierungsgrad.
- Abschalt- und Migrationspfade festlegen: Was wird konsolidiert, was ersetzt, was modernisiert? Ohne Decommissioning-Plan bleibt jede KI-Roadmap Theorie.
2. Klare KI-Use-Case-Portfolio-Strategie
- Top-down: Unternehmensziele definieren (z. B. Ausschussquote -30 %, OEE +10 %, Liefertermintreue +15 %).
- Bottom-up: Werksteams sammeln konkrete Pain Points, z. B. Nacharbeit, Engpässe, Störungen.
- Priorisierung nach Business-Impact, Umsetzungsaufwand und DatenverfĂĽgbarkeit.
Gerade im Kontext dieser Blogserie bieten sich Standardfelder an:
- KI-basierte Qualitätskontrolle in der Karosseriefertigung
- KI-gestĂĽtzte Robotik-Integration fĂĽr flexible Montageschritte
- Lieferkettenoptimierung bei Batteriezellen, Halbleitern und Rohmaterialien
3. Kultur und Kompetenzen gezielt aufbauen
- Trainings nicht nur für „Digital Units“, sondern explizit für Meister, Schichtleiter, Instandhalter.
- Schulungsformate, die direkt an der Linie ansetzen: kurze Sessions zu „Was macht dieses KI-System?“, „Wie lese ich die Kennzahlen?“.
- Rollenprofile anpassen: z. B. Qualitätsplaner mit KI-Verständnis, Instandhaltungsplaner mit Datenkompetenz.
4. Governance & Verantwortlichkeiten klären
- Ein zentrales KI-Kompetenzteam (CoE) ist sinnvoll – aber nur, wenn es eng mit Werken, IT und HR zusammenarbeitet.
- Klare Zuständigkeiten für:
- Daten (Data Ownership)
- Modelle (Modellverantwortung, Retraining, Monitoring)
- Betrieb (SLA fĂĽr produktive KI-Services)
Fazit: Wer jetzt handelt, macht KI zur Stärke – nicht zum Risiko
Die BearingPoint-Studie macht deutlich, wo die deutsche Automobil- und Industrieproduktion gerade steht: hoher KI-Wille, große Systemstarre, spürbare kulturelle Widerstände und gefährliche Kompetenzlücken. Gleichzeitig zeigt sie aber auch: Die Branche denkt stärker in Resilienz, Szenarien und langfristiger Stabilität als viele andere.
Für die „KI in der deutschen Automobilindustrie: Produktion und Innovation“-Serie heißt das: Die eigentliche Aufgabe ist nicht, noch mehr Visionen zu formulieren, sondern Altlasten abzubauen, Organisationen in Bewegung zu bringen und Menschen für KI fit zu machen. Wer das hinbekommt, wird Qualitätskontrolle, Robotik, Lieferketten und die Transformation zur Elektromobilität mit KI deutlich robuster aufstellen als die Konkurrenz.
Die entscheidende Frage für die nächsten zwei bis drei Jahre lautet deshalb:
Wird KI in Ihrem Werk zum produktiven Werkzeug – oder bleibt sie eine schöne PowerPoint-Folie?
Wer nicht abwarten will, sollte jetzt damit beginnen, Legacy-Strukturen sichtbar zu machen, Use-Cases zu priorisieren und seine Mannschaft fĂĽr Baustelle 4.0 systematisch weiterzuentwickeln.