(Quelle: jonbonsilver/pixabay)
Künstliche Intelligenz (KI) kann zum Renditeturbo für Autohersteller werden: Bis 2025 lassen sich durch den Einsatz maschinellen Lernens bis zu 215 Mrd. US-Dollar an zusätzlichem Wert in der weltweiten Autoindustrie schaffen. Die Hersteller könnten damit ihre Rendite (EBIT) im Maximalfall um 9 Prozentpunkte erhöhen.
Den größten Wertbeitrag kann das maschinelle Lernen im Herstellungsprozess leisten: In der Produktion können bis zu 61 Mrd. Dollar eingespart werden, beispielsweise durch KI-basierte Qualitätskontrolle. Weitere Potenziale liegen im Einkauf (51 Mrd. Dollar) etwa durch höhere Transparenz im Zulieferermarkt und in der Intralogistik (22 Mrd. Dollar), beispielsweise durch autonome Bandbelieferung. Bis zu 31 Mrd. Dollar können an Wert im Marketing und Vertrieb geschaffen werden, der Großteil davon dank höherer Umsätze durch KI-gestützte Preissetzung und Empfehlungen. Dies ist das Ergebnis einer aktuellen Studie mit dem Titel "Artificial intelligence - automotive's new value-creating engine", für die McKinsey & Company die Auswirkungen des maschinellen Lernens auf Autohersteller analysiert und über hundert Industrie- und KI-Experten interviewt hat.
KI: Der Kunde gewinnt
"Üblicherweise steigern Autohersteller ihre Produktivität jährlich im Schnitt um rund 2 Prozent pro Jahr", sagt Andreas Tschiesner, Leiter der europäischen Automobilberatung von McKinsey. "Allein durch maschinelles Lernen ist in den kommenden Jahren ein jährliches Produktivitätswachstum von zusätzlichen 1,3 Prozent machbar. KI wird damit zum Renditeturbo für die Autoindustrie." Ein Großteil der Wertschöpfungseffekte durch KI sei dabei für alle Autohersteller ähnlich hoch, vor allem in der Produktion. Tschiesner: "Der harte Wettbewerb im Sektor wird voraussichtlich dazu führen, dass ein Teil der Kostenvorteile an den Kunden weitergegeben wird."
Gleichzeitig wird KI zu einem Wettbewerbsfaktor, mit dem sich Hersteller voneinander absetzen können. Das gilt bei der Nutzung künstlicher Intelligenz für autonomes Fahren ebenso wie in der Entwicklung moderner Mobilitätskonzepte, die auf KI basieren. Fast 70% der Kunden sind schon heute bereit, für bessere Features bei assistiertem und autonomem Fahren die Marke zu wechseln. Dominik Wee, Partner im Münchener Büro von McKinsey und Co-Autor der Studie: "Insbesondere Premiumhersteller mit ihren anspruchsvollen Kunden sollten einen technischen Vorsprung auch bei KI-basierten Anwendungen demonstrieren, zum Beispiel in der sprachbasierten Interaktion mit dem Fahrzeug oder bei der Parkplatzsuche."
Matthias Kässer, ein weiterer Autor der Studie und Partner im Münchener Büro von McKinsey: "Es ist wichtig, die für KI notwendigen Fähigkeiten jetzt aufzubauen und die Transformation einzuleiten.". Der Erfolg hänge von vier Faktoren ab:
- Vorhandene Daten sammeln und aufbereiten: Werthaltige Daten sind die Grundlage für maschinelles Lernen. Unternehmen sollten ihre Daten sammeln und harmonisieren. Denkbar ist auch, Kunden- und Fahrzeugdaten im Rahmen der gesetzlichen Vorgaben aufzubereiten und Drittanbietersysteme einzubinden, etwa die der Händler.
- Partner-Ökosystem managen: Autohersteller können nicht alle Fähigkeiten für das maschinelle Lernen alleine aufbauen und vorhalten. Partnerschaften mit Technologieunternehmen im Hard- und Softwarebereich können dabei helfen, schneller zu entwickeln und den eigenen Investitionsbedarf zu verringern.
- Ein KI-Betriebssystem etablieren: Autohersteller müssen die technischen Grundlagen schaffen, um die große Menge an Daten zu verarbeiten. Die IT-Systeme müssen dafür standardisiert und gegebenenfalls für Drittanbieter geöffnet werden, um neue Anwendungen schnell umzusetzen.
- Fähigkeiten und Teams aufbauen: Eine zentrale Einheit hilft, alle KI-basierten Projekte innerhalb der Organisation aufzusetzen, zu begleiten und die Partnerschaften mit Drittanbietern zu betreuen. Notwendig ist auch, spezielle Talente an Bord zu holen - beispielsweise Datenspezialisten, Programmierer und Experten für maschinelles Lernen.
"Diese vier Schritte helfen, die KI-Transformation kurzfristig anzustoßen", sagt Kässer. "Und langfristig ist es wichtig, schnell relevante Anwendungsfelder zu finden, Pilotprojekte aufzusetzen und erfolgreiche Vorhaben rasch auf das gesamte Unternehmen zu übertragen."
Die vollständige Studie ist zum Download verfügbar unter: www.mckinsey.com/mcfm