Mission KI: Wie Autobauer Niedrigrisiko‑KI sicher einführen

Warum der neue Qualitätsstandard für KI Autobauer direkt betrifft

Deutsche Hersteller und Zulieferer setzen inzwischen in fast jeder Fertigungslinie KI ein – von der visuellen Qualitätskontrolle über prädiktive Wartung bis zur Intralogistik. Ein Großteil dieser Anwendungen gilt rechtlich als Niedrigrisiko‑KI. Trotzdem können Fehlentscheidungen teuer werden: Ausschuss steigt, Anlagen stehen, Liefertermine platzen.

Genau hier setzt „Mission KI“ an – ein freiwilliger Qualitätsstandard mit digitalem Prüfportal, entwickelt unter anderem vom VDE und dem Fraunhofer IAIS. Er hilft Unternehmen, Niedrigrisiko‑KI systematisch zu bewerten, Qualitätsnachweise aufzubauen und sich frühzeitig auf den EU AI Act vorzubereiten.

Für die Automobilindustrie ist das mehr als ein nettes Zusatztool. Wer jetzt seine KI‑Projekte strukturiert aufsetzt, kann 2026/2027 deutlich entspannter durch Audits, OEM‑Freigaben und behördliche Prüfungen gehen – und gewinnt gleichzeitig Vertrauen bei Kunden, Investoren und Mitarbeitenden.

---

Was hinter „Mission KI“ steckt – in Klartext

„Mission KI“ ist ein freiwilliger Qualitätsstandard speziell für KI‑Systeme, die unterhalb der Hochrisikoschwelle des EU AI Act liegen. Also genau für die vielen Anwendungen, die heute in der Automobilproduktion laufen:

• optische Oberflächenprüfung von Karosserien oder Batteriemodulen
• Anomalieerkennung in Schweißpunkten oder Gussbauteilen
• KI‑gestützte Prognosen für Wartung und Ersatzteilbedarf
• Assistenzsysteme in Intralogistik und Lagerhaltung

Der Standard wird über ein digitales Prüfportal unterstützt, in dem Unternehmen ihre KI Schritt für Schritt selbst bewerten können. Mitentwickelt wurde der Ansatz von:

• PwC Deutschland
• TÜV AI.Lab
• VDE
• AI Quality & Testing Hub
• Fraunhofer‑Institut IAIS

Die Stärke dieses Setups: Normung, Prüfwesen, Beratung und Forschung steuern gemeinsam einen einheitlichen Bewertungsrahmen bei. Für Autobauer bedeutet das: Sie orientieren sich nicht an einer Insellösung, sondern an etwas, das sich sehr wahrscheinlich als De‑facto‑Standard etablieren wird.

---

So funktioniert der Qualitätsstandard – Schritt für Schritt

Der Qualitätsstandard übersetzt die üblichen Schlagworte wie Transparenz, Nicht‑Diskriminierung und Verlässlichkeit in ein konkretes Raster mit sechs Qualitätsdimensionen, Kriterien, Indikatoren und messbaren Nachweisen. Er ist bewusst praxisnah aufgebaut.

1. Anwendungsfall sauber beschreiben

Am Anfang steht eine präzise Beschreibung des KI‑Einsatzes:

• Zweck: Was soll die KI tun? (z.B. „Erkennung von Lackfehlern auf Karosserieteilen“)
• Einsatzkontext: Wo und wie läuft sie? (Linie, Werk, Schichtmodell)
• Datenbasis: Welche Daten werden genutzt? (Kameradaten, historische Labels, Prozessdaten)
• Systemabgrenzung: Was gehört dazu, was nicht? (nur Modell, auch Sensorik, Edge‑Hardware?)
• Betriebsart: On‑Premise, Cloud, Edge? Online oder offline?

Für Automobilzulieferer ist genau diese Klarheit oft der erste Aha‑Effekt. Viele Probleme im Serienanlauf kommen daher, dass niemand sauber dokumentiert hat, wo die KI aufhört und klassische Automatisierung anfängt.

2. Schutzbedarfsanalyse: Wie kritisch ist der Einsatz?

Im zweiten Schritt wird bewertet, welcher Schaden entstehen kann, wenn die KI nicht wie gewünscht funktioniert. Das umfasst unter anderem:

• Sicherheit (Personen- und Anlagensicherheit)
• Diskriminierungsrisiken (etwa bei HR‑Anwendungen – in der Produktion eher selten, aber möglich bei Schicht- oder Aufgabenverteilung)
• Datenschutz (personenbezogene Daten, Videoaufnahmen, Bewegungsprofile)

Jedes Kriterium wird je nach Kontext als gering, moderat oder hoch relevant eingestuft oder als nicht anwendbar markiert.

Beispiel aus der Automobilproduktion:

• KI erkennt Kratzer auf Stoßfängern → Sicherheitsrelevanz: eher gering, aber hohe wirtschaftliche Relevanz durch Ausschuss und Reklamationen.
• KI bewertet Schweißnähte an Fahrwerkskomponenten → hier kann aus Produktionssicht zwar „Niedrigrisiko‑KI“ vorliegen, der technische Schutzbedarf ist aber hoch, weil Fehlteile sicherheitskritisch sind.

3. VCIO‑Systematik: Von Prinzipien zu messbaren Nachweisen

Die eigentliche Bewertung läuft entlang einer hierarchischen VCIO‑Systematik:

• V – Qualitätsdimensionen (z.B. Transparenz, Robustheit, Fairness)
• C – Kriterien je Dimension
• I – Indikatoren, die beschreiben, wie das Kriterium messbar wird
• O – Observablen, also konkrete Nachweise (Dokumente, Protokolle, Reports)

Für jeden relevanten Indikator wird ein Erfüllungsgrad von A bis D vergeben:

• A – Best Practice, sehr hoher Erfüllungsgrad
• B – gut erfüllt
• C – Mindestanforderung erfüllt
• D – nicht erfüllt

Welche Stufe notwendig ist, hängt vom zuvor ermittelten Schutzbedarf ab:

• hoher Schutzbedarf → mindestens Stufe A
• moderater Schutzbedarf → mindestens Stufe B
• geringer Schutzbedarf → mindestens Stufe C

Damit wird transparent, wo Sie bewusst übererfüllen (z.B. A statt gefordertem B) und wo Lücken bleiben.

4. Welche Nachweise werden erwartet?

Zu jeder Einstufung gehören geeignete Evidenzen, zum Beispiel:

• Risikoanalysen und FMEA für den KI‑Einsatz
• Testprotokolle (Trainings-, Validierungs- und Produktionstests)
• Dokumentation zu Datensätzen, Versionierung, Labeling‑Prozess
• Modellkard (Modellversion, Architekturen, Hyperparameter)
• Verweise auf bestehende Zertifizierungen (z.B. ISO 9001, ISO 27001)

Der Standard unterscheidet bewusst zwischen:

• Basisdokumentation für gering schutzbedürftige Anwendungen
• detaillierten, reproduzierbaren Nachweisen mit Audit‑Trail bei hohem Schutzbedarf

Gerade Tier‑1‑Zulieferer kennen das Problem: OEMs fordern plötzlich vollständige Traceability der Trainingsdaten – und das Projektteam hat nur verstreute Excel‑Listen. „Mission KI“ zwingt dazu, diese Hausaufgaben von Anfang an mitzudenken.

5. Validierung: Wer prüft was?

Je nach Kritikalität kann die Validierung gestuft erfolgen:

• Selbstprüfung im Projektteam
• interne, unabhängige Prüfung (z.B. zentrale KI‑Governance, Quality Office)
• Vier‑Augen‑Prinzip mit Fachbereich und KI‑Team
• optional: externe Prüfstellen (TÜV, VDE‑Institute, Beratungen)

Am Ende steht ein standardisierter Prüfbericht, der Systemkontext, Schutzbedarf, Qualitätsstufen, Maßnahmen und Validierungsgrad zusammenfasst.

Für OEMs ist das Gold wert: Zulieferer können in Ausschreibungen strukturiert nachweisen, auf welchem Qualitätsniveau ihre KI‑Lösungen stehen.

---

Was bringt „Mission KI“ konkret für die Automobilindustrie?

Für die Reihe „KI in der deutschen Automobilindustrie: Produktion und Innovation“ ist „Mission KI“ ein wichtiges Puzzleteil. Es schließt die Lücke zwischen kreativen Pilotprojekten und robuster, auditfähiger Serienanwendung.

1. Strukturierter Qualitätsnachweis gegenüber OEMs und Behörden

Unternehmen erhalten einen klaren Rahmen, um zu zeigen:

• Unsere KI‑Systeme sind dokumentiert und nachvollziehbar.
• Risiken sind bewertet und mit geeigneten Maßnahmen adressiert.
• Anforderungen des EU AI Act wurden frühzeitig berücksichtigt.

Das erhöht die Chancen in:

• Ausschreibungen großer OEMs
• Lieferantenbewertungen und Audits
• Freigabeprozessen für neue Produktionsanlagen

2. Beschleunigte Serienanläufe statt Nachbessern im Feld

Wer KI‑Qualität von Anfang an systematisch denkt, vermeidet typische Stolperfallen:

• fehlende oder schlechte Trainingsdaten
• nicht nachvollziehbare Modelländerungen („irgendwer hat das Modell vor drei Monaten neu trainiert“)
• unklare Verantwortlichkeiten im Fehlerfall

Gerade bei komplexen Themen wie Gigacasting‑Strukturen, Batteriefertigung oder E‑Antriebssträngen spart das Zeit und Nerven. Ich habe mehrfach gesehen, wie Projekte Monate verloren haben, weil KI‑Modelle im Audit „durchgefallen“ sind – nicht, weil sie schlecht waren, sondern weil niemand ihre Qualität belegen konnte.

3. Frühzeitige Vorbereitung auf den EU AI Act

Auch wenn viele Produktions‑KI‑Anwendungen formal als Niedrigrisiko eingestuft werden: Der EU AI Act setzt einen erwarteten Standard an Sorgfalt. Wer heute schon mit Mission KI arbeitet,

• kennt typische Anforderungen an Dokumentation und Transparenz,
• kann bei Bedarf relativ leicht auf höhere Anforderungen „aufrüsten“,
• vermeidet hektische Nachrüst‑Projekte, wenn Kunden oder Behörden nachziehen.

Die Realität ist: Der Druck kommt zuerst über die OEMs, nicht über Brüssel. Wer als Zulieferer zeigen kann, dass er einen etablierten Qualitätsstandard nutzt, verschafft sich einen klaren Wettbewerbsvorteil.

4. Besseres Zusammenspiel von OT, IT und Data Science

Ein oft unterschätzter Effekt: Der Standard zwingt Fachbereich, OT‑Teams und Data Scientists an einen Tisch. Denn:

• Schutzbedarfsanalyse geht ohne Fertigungs‑Know‑how nicht.
• Datendokumentation braucht IT‑ und OT‑Einbindung.
• Validierung ist ohne Process Owner wertlos.

Für Autobauer, die mehrere Werke und Plattformen harmonisieren wollen, ist das ein Hebel, um gemeinsame Standards für KI‑Projekte durchzusetzen.

---

Wie Sie „Mission KI“ in Ihrem Unternehmen praktisch nutzen

Die Theorie klingt gut – wie sieht das im Alltag aus? Hier ein pragmatischer Fahrplan für ein Automobilunternehmen oder einen Zulieferer.

Schritt 1: Ein Pilot‑KI‑Projekt auswählen

Starten Sie nicht mit dem kritischsten System, sondern mit einer typischen Niedrigrisiko‑Anwendung, zum Beispiel:

• Bildbasierte Qualitätskontrolle eines nicht sicherheitsrelevanten Bauteils
• Prognosemodell für Ausschussquoten oder Nacharbeitsbedarf
• KI‑gestützte Schichtplanung (ohne harte, rechtliche HR‑Entscheidungen)

Wichtig ist: Das Projekt sollte repräsentativ sein – also ähnliche Datenflüsse und Verantwortlichkeiten wie andere geplante KI‑Vorhaben in Ihrem Werk.

Schritt 2: Verantwortlichkeiten klären

Definieren Sie für dieses Projekt:

• KI‑Owner (fachlich verantwortlich)
• Data Owner (verantwortlich für Datenqualität und Zugriff)
• Quality/Governance‑Rolle, die die Anwendung des Standards begleitet

Diese Rollenaufteilung ist entscheidend, wenn Sie Mission KI später skaliert einsetzen wollen.

Schritt 3: Selbstbewertung im Prüfportal durchführen

Nutzen Sie das digitale Prüfportal von Mission KI, um:

• den Anwendungsfall strukturiert zu erfassen,
• den Schutzbedarf gemeinsam zu bewerten,
• Kriterien und Indikatoren mit vorhandenen Nachweisen zu verknüpfen,
• Lücken sichtbar zu machen.

Mein Tipp: Behandeln Sie diesen ersten Durchlauf wie einen internen Audit‑Probelauf. Ziel ist nicht eine „perfekte“ Bewertung, sondern ein realistisches Bild der aktuellen Praxis.

Schritt 4: Lücken priorisieren und Quick Wins umsetzen

Sie werden fast sicher Lücken finden – das ist normal. Wichtige Quick Wins sind meist:

• fehlende oder unstrukturierte Daten- und Modellversionierung
• unklare Fallback‑Strategien bei KI‑Fehlern (Was passiert, wenn das Modell ausfällt?)
• fehlende, einheitliche Dokumentenvorlagen (z.B. Modellkards, Testreports)

Erstellen Sie 3–5 Standardartefakte, die künftig in jedem KI‑Projekt Pflicht sind. Damit steigt die Qualität automatisch, ohne dass jedes Team neu erfinden muss, wie man dokumentiert.

Schritt 5: Ausrollen auf weitere Use Cases

Wenn das Pilotprojekt durch ist, können Sie Mission KI in Ihre unternehmensweite KI‑Governance integrieren:

• als Pflichtschritt im Freigabeprozess neuer KI‑Anwendungen
• als Nachweisbaustein in Lieferantenbewertungen
• als Vorlage für Gespräche mit OEMs und Prüforganisationen

So wird aus einem freiwilligen Standard ein praktisches Werkzeug, das Risiko reduziert und Vertrauen schafft.

---

Fazit: Wer KI in der Produktion ernst nimmt, braucht Standards

Die Automobilindustrie steht unter massivem Kosten- und Innovationsdruck – Elektromobilität, neue Fertigungstechnologien, volatile Lieferketten. KI ist einer der wenigen Hebel, der gleichzeitig Effizienz, Qualität und Flexibilität verbessern kann.

Der Haken: Ohne nachvollziehbare Qualitätssicherung wird KI zum Risiko – technisch, wirtschaftlich und regulatorisch. „Mission KI“ bietet einen realistischen Weg dazwischen: kein bürokratisches Monster, aber auch nicht „KI auf Zuruf“.

Für Unternehmen, die in der Serie auf KI setzen wollen, gilt aus meiner Sicht:

Wer heute beginnt, Niedrigrisiko‑KI mit Mission KI zu strukturieren, hat in zwei Jahren einen klaren Vorsprung – gegenüber dem Wettbewerb und gegenüber dem Regulierungsdruck des EU AI Act.

Wenn Sie im nächsten Schritt wissen wollen, welche konkreten KI‑Use‑Cases in der Automobilproduktion sich besonders eignen und wie Sie diese technisch umsetzen, lohnt sich ein Blick auf die weiteren Beiträge unserer Reihe „KI in der deutschen Automobilindustrie: Produktion und Innovation“.