Das EU-Verbrenner-Aus wackelt, die Klimaziele nicht. Warum das für Automobilzulieferer und österreichische KMU ein Startsignal für eine klare KI-Strategie ist.
Verbrenner-Aus wackelt – was das für Industrie und KI-Strategien bedeutet
Die EU rückt vom vollständigen Verbrenner-Aus 2035 ab und peilt statt 100 nun 90 Prozent CO₂-Reduktion an. Für viele in der Industrie klingt das nach „Durchatmen“. In Wahrheit ist es ein Stresstest für die eigene Strategie.
Wer Entscheidungen nur an Einzelterminen wie „2035 Verbrenner-Aus“ festmacht, steuert sein Unternehmen im Blindflug. Regulierungen ändern sich, Klimaziele bleiben, Technologie entwickelt sich weiter – genau hier wird künstliche Intelligenz zum strategischen Werkzeug, nicht zum „nice to have“.
In dieser Analyse geht es darum, was das politische Hin und Her beim Verbrenner für Automobilindustrie, Zulieferer und österreichische KMU wirklich bedeutet – und wie KI in Produktion, Logistik und Entwicklung hilft, in diesem Umfeld handlungsfähig zu bleiben.
1. Was sich am Verbrenner-Aus tatsächlich ändert – und was nicht
Die zentrale Ă„nderung: Statt eines 100-prozentigen Verbots von Verbrennungsmotoren ab 2035 steht nun eine 90-prozentige COâ‚‚-Reduktion fĂĽr Flotten im Raum. Das bedeutet:
- Verbrennermotoren bleiben grundsätzlich erlaubt.
- Es braucht deutlich emissionsärmere Flotten – also mehr E-Autos, Hybride, alternative Antriebe, effizientere Motoren.
- Die Hersteller bekommen mehr technologische Optionen, aber kein „Zurück in die 90er“.
Regulatorische Ziele bleiben hart – nur der Weg dorthin wird flexibler.
FĂĽr deutsche Automobilhersteller und ihre Zulieferer heiĂźt das: Technologische Vielfalt statt Monokultur. Reine Verbrenner-Strategien sind genauso riskant wie reine Elektro-Strategien ohne Plan B. Unternehmen, die heute klug handeln, bauen drei Dinge parallel aus:
- Elektromobilität und Batterietechnologie
- Effizienzsteigerung und Emissionsreduktion im Verbrennerbereich
- Digitale und KI-basierte Fähigkeiten, um beides wirtschaftlich zu beherrschen
Gerade Punkt 3 wird oft unterschätzt – und genau da liegt die Chance für österreichische und deutsche KMU in der Industrie.
2. Warum sich KMU nicht auf „Aufschub“ verlassen dürfen
Viele mittelständische Betriebe – von Zerspanern über Kunststoffverarbeiter bis zu Logistikern – hängen direkt oder indirekt an der Automobilindustrie. Die Versuchung ist groß zu sagen: „Na gut, dann haben wir ja länger Zeit.“ Das ist aus drei Gründen gefährlich.
2.1 OEM-Strategien bleiben elektrisch und datengetrieben
Die großen Hersteller haben Milliarden in Elektromobilität, Software-defined Vehicle und neue Plattformen gesteckt. Diese Pfade werden nicht zurückgedreht, nur weil die EU das Verbrenner-Aus aufweicht. Wer als Zulieferer nicht in dieses Software- und Datenökosystem passt, verliert Aufträge – völlig unabhängig von der Abgasnorm.
2.2 CO₂-Reduktion trifft die gesamte Wertschöpfungskette
Die Flottenziele beziehen sich auf CO₂, aber praktisch alle OEMs rechnen längst mit:
- Product Carbon Footprint (PCF) pro Komponente
- Energieverbrauch in der Produktion
- Transportemissionen in der Logistik
Unternehmen, die ihre Daten zu Energie, Ausschuss, Materialeinsatz und Transport nicht im Griff haben, können diese Anforderungen kaum bedienen. Genau hier sind KI-gestützte Analysen ein echter Hebel.
2.3 Fachkräftemangel macht Abwarten noch teurer
Wer Digitalisierung und KI in der Produktion erst 2028/2030 ernsthaft anfängt, läuft in ein doppeltes Problem:
- Der Markt für qualifizierte Fachkräfte ist leergeräumt.
- Wettbewerber haben ihre Lernkurve schon hinter sich und produzieren gĂĽnstiger und stabiler.
Die Realität: Frühe KI-Pilotprojekte heute sind oft günstiger als hektische Großprojekte morgen.
3. KI in der Automobilproduktion: Von abstrakt zu sehr konkret
Damit KI keine Buzzword-Folklore bleibt, braucht es konkrete Anwendungsfälle. In der Serie „KI in der deutschen Automobilindustrie: Produktion und Innovation“ zeigt sich immer wieder: Die erfolgreichsten Projekte starten klein, nah an der Wertschöpfung und mit klar messbaren Effekten.
3.1 Qualitätskontrolle: Weniger Ausschuss, weniger CO₂, zufriedenere OEMs
Jede fehlerhafte Komponente bedeutet:
- verschwendetes Material
- verschwendete Energie
- oft Neuproduktion unter Zeitdruck
Mit KI-basierter visueller Inspektion lassen sich genau diese Effekte reduzieren:
- Kamerasysteme prüfen Oberflächen, Maße und Struktur.
- KI-Modelle erkennen Fehler, die menschlichen PrĂĽfern entgehen wĂĽrden.
- Die Systeme lernen aus historischen Daten, werden also Monat fĂĽr Monat besser.
Ein typisches Muster aus Projekten im DACH-Raum:
- 20–40 % weniger Ausschuss
- stabilere Lieferqualität
- bessere Verhandlungsposition gegenüber OEMs, weil Qualitätsdaten schwarz auf weiß vorliegen
Gerade in der Transformation zu emissionsärmeren Flotten werden OEMs jene Zulieferer bevorzugen, die konstant hohe Qualität mit niedrigerem CO₂-Fußabdruck nachweisen können.
3.2 Robotik-Integration: Flexibler produzieren bei schwankender Nachfrage
Wenn sich Verbrenner, Hybrid- und E-Komponenten länger parallel entwickeln, steigen die Varianten. Starre Fertigungslinien kommen da schnell an ihre Grenzen.
KI-unterstĂĽtzte Robotik hilft dabei, Anlagen schneller umzurĂĽsten und flexibler zu fahren:
- Intelligente Bahnplanung fĂĽr Roboter, die sich an neue Teile anpasst
- Empfehlungssysteme fĂĽr optimale RĂĽstreihenfolgen
- Predictive Maintenance für Roboter und Achsen, um Ausfälle zu vermeiden
Das Ergebnis: Mehr Varianten bei gleichem Personal – ein zentraler Faktor im Fachkräftemangel.
3.3 Lieferkettenoptimierung: COâ‚‚ und Kosten gemeinsam senken
Für Logistik und Supply Chain gilt: Jeder unnötige Kilometer kostet Geld und CO₂. KI in der Lieferkettenoptimierung kann z.B.:
- Nachfrageprognosen verbessern (Bedarf an E- vs. Verbrenner-Komponenten)
- Lagerbestände reduzieren, ohne Lieferfähigkeit zu riskieren
- Routen so planen, dass Auslastung und Emissionen besser werden
Für österreichische KMU im Transport- und Logistikumfeld ist das ein direkter Hebel, um sich als „grüner“ Premium-Dienstleister im Automotive-Bereich zu positionieren.
4. Was können österreichische KMU jetzt ganz konkret tun?
Die gute Nachricht: Niemand muss morgen ein KI-Forschungszentrum aufbauen. Was zählt, sind pragmatische Schritte, die zur Größe und Realität eines KMU passen.
4.1 Klaren industrie- und kundenbezogenen Fokus wählen
Statt „Wir machen jetzt KI“, hilft eine präzisere Frage:
- „Wo verlieren wir heute am meisten Geld oder Zeit?“
- „Welche Anforderungen stellt unser wichtigster Kunde in den nächsten 3–5 Jahren?“
Typische Kandidaten in der Automobilzulieferung:
- hohe Ausschussquoten in bestimmten Linien
- Engpässe in der Planung von Schichten oder Maschinen
- mangelnde Transparenz über Liefertermine und Materialbestände
Nur dort, wo ein messbares Problem existiert, lohnt sich ein KI-Use-Case.
4.2 Datenbasis aufräumen – ohne zu übertreiben
KI braucht keine perfekte, aber eine brauchbare Datenbasis. FĂĽr KMU heiĂźt das oft:
- Maschinen- und Sensordaten strukturiert erfassen (z.B. OEE, Stillstände, Ausschussgründe)
- Qualitätsdaten nicht nur „für die Akte“ speichern, sondern analysierbar machen
- Stammdaten in ERP/MES-Systemen pflegen (Artikel, Chargen, Kunden, Lieferanten)
Viele Firmen stellen fest: Der größte Hebel im ersten Jahr ist nicht das KI-Modell, sondern Daten-Disziplin im Alltag.
4.3 Klein starten: Ein Pilot, der in 6–9 Monaten Wirkung zeigt
Ein sinnvoller Ansatz fĂĽr KMU:
- Einen klar abgegrenzten Prozess wählen (z.B. eine Linie, ein Produkt).
- Einen Use-Case definieren (z.B. „Ausschuss um 20 % senken“ oder „Stillstände um 15 % reduzieren“).
- Mit einem externen Partner oder internem Team ein Pilotprojekt aufsetzen.
- Nach 6–9 Monaten entscheiden: Skalieren, anpassen oder stoppen.
So entsteht Lernkurve statt Technikfriedhof.
4.4 Mitarbeitende von Anfang an mitnehmen
KI in der Industrie scheitert selten an der Technologie, sondern an der Akzeptanz. Gute Praxis aus erfolgreichen Betrieben:
- SchichtfĂĽhrer und Facharbeiter frĂĽh einbeziehen und ihre Erfahrung ernst nehmen
- Transparenz schaffen: KI als Unterstützung, nicht als Ersatz verkaufen – und das auch leben
- Quick Wins sichtbar machen (z.B. weniger Nacharbeit, weniger Nachtschichtstress durch Planungs-KI)
Wer hier sauber arbeitet, baut ein realistisches, praxisnahes KI-Verständnis im Betrieb auf.
5. Lektionen aus der Automobilbranche: Wie man mit Unsicherheit produktiv umgeht
Die Diskussion um das Verbrenner-Aus zeigt ziemlich deutlich, wie unberechenbar Rahmenbedingungen sein können. Daraus lassen sich für KMU ein paar klare Lehren ableiten.
5.1 „Regulation first“ ist als Strategie zu langsam
Wer seine Investitionen ausschließlich an Gesetzen und EU-Terminen ausrichtet, reagiert immer mit Verzögerung. Besser ist ein Dreiklang aus:
- Markttrends (Elektrifizierung, Software, Nachhaltigkeit)
- Kundenerwartungen (Qualität, CO₂-Transparenz, Flexibilität)
- Eigene Stärken (Prozesstiefe, Nischen-Know-how)
KI ist kein Selbstzweck, sondern ein Verstärker genau dieser drei Punkte.
5.2 Flexibilität schlägt Perfektion
Gerade wenn Verbrenner und E-Mobilität länger parallel laufen, zählt operative Flexibilität mehr als der perfekte 10-Jahres-Plan. KI kann helfen, diese Flexibilität zu organisieren:
- dynamische Schicht- und Einsatzplanung
- flexible Fertigungskonzepte, unterstĂĽtzt durch lernende Systeme
- Szenario-Analysen fĂĽr Nachfrage- und Preisentwicklungen
5.3 Nachhaltigkeit wird zur Datenfrage
CO₂-Reduktion ohne belastbare Daten ist kaum glaubwürdig. Förderstellen, Banken und OEMs achten zunehmend auf:
- messbare Verbesserungen (kWh pro Teil, Ausschussquote, Transportemissionen)
- konsistente Berichte ĂĽber mehrere Jahre
Ohne digitale Systeme und KI-gestützte Auswertungen wird das schnell zur Excel-Hölle. Wer früh in datenbasierte Nachhaltigkeit investiert, spart sich später viel Aufwand.
Ausblick: Verbrenner bleibt, Wandel auch – jetzt die eigene KI-Agenda setzen
Das geplante Verbrenner-Aus fĂĽr 2035 wackelt, die Klimaziele wackeln nicht. FĂĽr die Automobilindustrie und ihre Zulieferer bedeutet das: Technologische Vielfalt, aber kein ZurĂĽck zur Komfortzone.
Für österreichische und deutsche KMU ist das eine Chance, strategisch aufzuräumen:
- Wo verdienen wir unser Geld in einer Welt mit E- und Verbrennerantrieben?
- Welche Daten brauchen wir, um CO₂, Qualität und Lieferfähigkeit nachzuweisen?
- Welche KI-Anwendungen in Produktion, Logistik und Entwicklung bringen uns in den nächsten 12–24 Monaten spürbare Vorteile?
Wer diese Fragen heute beantwortet, ist 2030 nicht vom nächsten politischen Beschluss überrascht, sondern hat bereits ein belastbares, datengetriebenes Geschäftsmodell.
Die eigentliche Frage ist also weniger: „Kommt das Verbrenner-Aus 2035?“ sondern eher: „Ist unser Unternehmen bereit, in einer unsicheren Regulierungslage mit KI stabil und profitabel zu arbeiten?“