Die Automobilindustrie geht über das softwaregesteuerte Fahrzeug hinaus – hin zum KI-gesteuerten Fahrzeug (AIDV) –, bei dem Software nicht mehr nur ein Mittel zur Aktualisierung von Funktionen ist, sondern die Grundlage für autonomes Denken, Anpassung und Ausführung bildet.  

Während generative KI „denkt“, indem sie Erkenntnisse, Texte und Empfehlungen generiert, „handelt“ agentische KI, indem sie autonom agiert, Entscheidungen trifft und Aufgaben ausführt. Ein wesentlicher konzeptioneller Wandel besteht darin, dass agentische KI das Fahrzeug nicht nur verbessert, sondern dessen Rolle verändert.  

Ausgleich zwischen Edge- und Cloud-Computing 

Eine zentrale Anwendung der agentischen KI besteht darin, zu entscheiden, was lokal im Fahrzeug (Edge) verarbeitet und was in der Cloud abgewickelt werden soll. Anstatt das Fahrzeug als passiven Endpunkt zu betrachten, fungiert die agentische KI als intelligenter Koordinator, der Latenz, Sicherheit, Bandbreite, Rechenkapazität, Kosten und Energieverbrauch kontinuierlich bewertet, um die Arbeitslasten dynamisch zuzuweisen. 

Der Edge-Bereich ist in der Regel für unmittelbare, sicherheitskritische und datenschutzrelevante Aufgaben reserviert, wie beispielsweise Reaktionen von Fahrerassistenzsystemen (ADAS) im Millisekundenbereich – darunter Brems- und Spurhalteassistenten –, die Überwachung des Fahrers auf Müdigkeit und Ablenkung sowie die Ausweichnavigation bei Verbindungsausfällen, wichtige Sprachbefehle wie das Einschalten der Klimaanlage, die Audio- und Videoverarbeitung im Fahrzeuginnenraum sowie sofortige Anpassungen der Benutzererfahrung (UX) in Bezug auf Klima, Sitze, Beleuchtung und Benutzeroberfläche.  

Der Cloud werden hingegen in der Regel rechenintensive, aber weniger zeitkritische Aufgaben anvertraut, wie beispielsweise große Sprachmodelle (LLMs), Szenariosimulationen, die Optimierung von Verkehrs-, Lade- und Nutzungsmustern, Ökosysteme aus Smart Home, Fahrzeugen und Mobilgeräten sowie Over-the-Air-Updates (OTA) usw. 

Automatisierung der Fahrzeugautonomie und Unterstützung der Fahrerassistenzsysteme 

Herkömmliche ADAS-Systeme folgen einem linearen Modell nach dem Schema „Wahrnehmung → Regeln → Aktion“ mit fest programmierten Reaktionen, begrenzter Kontexterfassung und einer hohen Fehlerquote in mehrdeutigen Situationen. Im Gegensatz dazu führt die agentenbasierte KI zielorientiertes Verhalten ein und ermöglicht es dem System dadurch, Kompromisse zwischen Sicherheit, Effizienz und Komfort zu finden.  

Der agentische Entscheidungszyklus umfasst die Wahrnehmung durch Sensoren, Karten und Telemetriedaten; eine Schlussfolgerungsebene, die auf großen Sprachmodellen (LLMs) und Einschränkungen basiert; die Planung durch Zielbewertung und mehrstufige Schlussfolgerungen; die Ausführung von Aktionen über Aktoren und Betriebssystembefehle; sowie eine kontinuierliche Rückkopplungsschleife. Dieser Ansatz ist darauf ausgelegt, unstrukturierte Straßen und mehrdeutige Bedingungen flexibler zu bewältigen als feste Regeln.  

Tesla ist ein typisches Beispiel dafür. Die Systeme für vollautonomes Fahren (FSD) und Robo-Taxis von Tesla erfassen die Umgebung mithilfe bildbasierter KI, treffen Entscheidungen zur Planung und Routenwahl, führen Aktionen wie Lenken, Bremsen und Beschleunigen aus und passen sich an reale Situationen an.  

Assistenten im Fahrzeug und Benutzererlebnis 

Assistenten im Fahrzeug gehören zu den wichtigsten Ausprägungen der frühen agentenbasierten KI. Dank KI-Agenten entwickeln sich Assistenten von befehlsbasierten Systemen zu dialogorientierten Schnittstellen, die Kontext, Präferenzen und betriebliche Einschränkungen verstehen. Diese Assistenten können ihre Antworten je nach Fahrmodus, bisherigen Verhaltensmustern, Fahrzeugzustand, Bedingungen im Innenraum und äußeren Umständen anpassen.  

Regelbasierte Systeme stützen sich auf eine festgelegte Befehlsgrammatik, LLM-basierte Systeme unterstützen natürliche Sprache, und agentenbasierte Assistenten kombinieren die Verarbeitung natürlicher Sprache mit Sensoren und Kontextinformationen für multimodales Schlussfolgern. Beispielsweise erfordert ein regelbasiertes Telefonsystem eine exakte Formulierung, ein LLM-System verarbeitet flexible Anfragen, und ein agentischer Assistent kann mehrdeutige Absichten wie „Verbinde mich mit John“ ableiten. In komplexeren Fällen kann ein agentischer Assistent anhand von Echtzeit-Wahrnehmungsdaten erklären, wie das Fahrzeug mit Fußgängern umgeht, und den Ampelstatus sowie den Verkehrsfluss in die Navigationsantworten einbeziehen.  

Karosseriekontrolle, Antriebsstrang und Energieoptimierung 

Agentenbasierte KI-Modelle ermöglichen eine kontinuierliche Anpassung an verschiedene Bereiche der Fahrzeugsteuerung. Bei der aktiven Federung können KI-Agenten beispielsweise die Eigenschaften der Fahrbahnoberfläche, Fahrzeugbewegungsparameter und bevorstehende Geländeübergänge interpretieren. Bei der Optimierung des Antriebsstrangs können Agenten den Drehmomentbedarf, Motorparameter, den Fahrstil, thermische Grenzwerte und gesetzliche Vorgaben überwachen und daraufhin die Kraftstoffeinspritzung, die Energieverteilung und den Ladedruck anpassen. Die Kabinenintelligenz ist ein weiterer wichtiger Anwendungsfall – agentische KI kann Heizung, Lüftung und Klimatisierung (HVAC), die Sitzposition sowie die Ambientebeleuchtung bereits vor dem Einsteigen anpassen.  

Für ein energiebewusstes Komfortmanagement können KI-Agenten den Bedarf an Heizung, Lüftung und Klimatisierung mit der Batteriereichweite in Einklang bringen, die Last bei niedrigem Batteriestand reduzieren und den Innenraum nur bei Bedarf vorheizen.  

Agentische KI kann zudem die vorausschauende Fahrzeugsteuerung unterstützen, indem sie in risikoreichen Umgebungen Türen vorab verriegelt, die Federung an bevorstehende Straßenverhältnisse anpasst und die Beleuchtung für Tunnel oder schlechte Sichtverhältnisse vorbereitet. Sie kann Störungen an Aktuatoren erkennen, das Systemverhalten dynamisch neu konfigurieren und den Fahrer mit umsetzbaren Erkenntnissen benachrichtigen. Bei Hybridfahrzeugen können Agenten entscheiden, wann der Verbrennungsmotor und wann der Elektromotor zum Einsatz kommen soll, um den Kraftstoffverbrauch und die Batterienutzung zu optimieren.  

Koordination des OTA-Lebenszyklus 

Agentische KI kann OTA-Updates von einem reaktiven Prozess in ein vorausschauendes, automatisiertes Lebenszyklussystem verwandeln. Intelligente OTA-Entscheidungsfindung bedeutet, dass Agenten anhand von Fahrzeugnutzungsmustern, Fahrverhalten, Wetterbedingungen, Geländebedingungen und Netzwerkbedingungen entscheiden, wann und was aktualisiert werden soll. Updates können gezielt bereitgestellt werden, anstatt sie gleichzeitig auf alle Fahrzeuge zu übertragen, und die Ausfallwahrscheinlichkeit lässt sich vor der Bereitstellung vorhersagen.  

Die autonome OTA-Koordination umfasst einen durchgängigen Workflow aus Validierung, Simulation, Bereitstellung, Überwachung und Rollback. Darüber hinaus erkennen selbstheilende Pipelines fehlgeschlagene Updates und führen automatisch einen erneuten Versuch durch oder machen die Änderungen rückgängig. „Agentic AI“ kann Updates über die Bereiche ADAS, Infotainment und Antriebsstrang hinweg koordinieren und nutzt Flottentelemetrie sowie digitale Zwillinge, um vorbeugende Patches auszulösen und die Validierung unter extremen Wetterbedingungen sowie in seltenen Grenzfällen beim Fahrverhalten zu unterstützen.  

Dies führt zu intelligenteren Umsatzstrategien – dynamische Preisgestaltung für Funktionen, nutzungsbasierte Upgrades, schnellere Einführungszyklen für Funktionen und geringere Kosten für Rückrufe oder Servicekampagnen.  

Förderung der Cybersicherheit und selbstheilender Fahrzeuge 

Agentische KI verwandelt die Cybersicherheit von Fahrzeugen von einem regelbasierten, reaktiven Verteidigungsmodell in ein proaktives, autonomes und sich kontinuierlich anpassendes Sicherheitssystem. Herkömmliche Cybersicherheit stützt sich auf signaturbasierte Erkennung, manuelle Reaktion auf Vorfälle und regelmäßige Updates. Mit agentischer KI überwacht, erkennt, entscheidet und handelt das System kontinuierlich, lernt in Echtzeit aus neuen Bedrohungen und führt Gegenmaßnahmen durch, ohne auf menschliches Eingreifen zu warten.  

Am Netzwerkrand überwacht die agentenbasierte Cybersicherheit CAN- und Ethernet-Verkehrsmuster, Verhaltensabweichungen der elektronischen Steuergeräte (ECU), unbefugte Zugriffsversuche und Signale zur Manipulation von Sensoren. Anstelle eines einzigen Sicherheitsmoduls gibt es spezialisierte Agenten für Netzwerksicherheit, Identitäts- und Zugriffsmanagement, OTA-Sicherheit, Anwendungssicherheit und Cloud-Sicherheit. Die autonome Reaktion auf Vorfälle kann eine kompromittierte Steuereinheit oder Domäne isolieren, böswillige Kommunikation blockieren, ein Rollback auf eine sichere Softwareversion durchführen, in den ausfallsicheren Fahrmodus wechseln und das Sicherheitszentrum des Erstausrüsters benachrichtigen.  

Marktakzeptanz und wichtige Akteure 

Laut Daten von S&P Global Mobility wird die Verbreitung von GenAI-Chatbots im Fahrzeug von etwa 8 % im Jahr 2025 auf fast 31 % im Jahr 2031 steigen. Während die Einführung von GenAI-Chatbots im Fahrzeug durch die Erstausrüster weit verbreitet ist und sich beschleunigt, befindet sich die echte, dialogorientierte und agentenbasierte Nutzung noch in der Entwicklung. Die Mehrheit der GenAI-Chatbots wird für dialogorientierte Anwendungsfälle im Fahrzeuginnenraum genutzt, beispielsweise für Navigation, Infotainment, Fahrzeugsteuerung sowie Abfragen zur Bedienungsanleitung und zu Fahrzeugfunktionen. 

Der Bereich der agentenbasierten KI für die Automobilbranche ist ein Ökosystem mit zahlreichen Anbietern, in dem kein einzelner Akteur eine dominierende Stellung einnimmt. Auch wenn sich die Anbieterlandschaft für agentenbasierte KI in der Automobilbranche noch im Aufbau befindet, ist bereits klar, dass sie sich auf drei Ebenen erstreckt: automobilspezifische KI-Plattformen (Cockpit, Fahrzeug, Autohaus), Engineering- und IT-Dienstleister (Systemintegratoren) sowie zentrale Akteure des KI-/Cloud-/Chip-Ökosystems.  

Zu den wichtigsten Anbietern zählen unter anderem Amazon Web Services, Sonatus, Cerence, Salesforce und Nvidia. 

Ausblick 

Agentische KI entwickelt sich zunehmend zu einer wertschöpfungskettenübergreifenden Fähigkeit und ist nicht mehr nur eine einzelne Fahrzeugfunktion. Durch die Integration in die Arbeitsabläufe der Entwicklung, Fertigung und Mobilität verbessern agentische Systeme die Zuverlässigkeit, Reaktionsfähigkeit und Konsistenz entlang der gesamten Wertschöpfungskette der Automobilindustrie. Sie können Fahrzeuge anpassungsfähiger, Assistenten kontextbezogener, OTA-Updates vorausschauender, die Cybersicherheit autonomer und Fertigungsabläufe reaktionsfähiger machen.  

Allerdings befindet sich der Markt noch in der Entwicklungsphase, die Akzeptanz ist uneinheitlich, und viele Anwendungen funktionieren nach wie vor eher wie „Agenten“ und sind nicht vollständig autonom. Es gibt noch viele offene Fragen – sind KI-gesteuerte Entscheidungen bei sicherheitskritischen Funktionen wie Lenken, Bremsen, Beschleunigen und autonomem Fahren unter allen Betriebsbedingungen sicher? Wer trägt die Verantwortung, wenn ein KI-Agent eine falsche Entscheidung trifft?  

Agentische KI ist nur so effektiv wie die Daten, aus denen sie lernt. Die Fähigkeit, hochwertige Daten zu identifizieren und KI-Agenten kontinuierlich zu verbessern, entwickelt sich langsam aber sicher zu einem entscheidenden Wettbewerbsvorteil. Die größten Hindernisse sind nicht die KI-Modelle selbst, sondern die Gewährleistung, dass autonome Agenten in einer stark regulierten Branche sicher, geschützt, zertifizierbar, nachvollziehbar und wirtschaftlich tragfähig sind.