AI im Automotive: Technisch ready, wirtschaftlich nicht

Warum usage-basierte AI-Modelle die Kostenlogik im Automotive sprengen und wie OEMs, Tier 1s und Flotten ihre Pricing-, Plattform- und Operating-Modelle neu ausrichten müssen. 

Die meisten kalkulieren AI noch wie ein IT-Projekt 

AI verhält sich wirtschaftlich nicht wie Embedded-Software. Es verhält sich wie eine Plattform: Kosten skalieren mit Daten, Nutzung und Rechenleistung und nicht mit Projektlaufzeiten. Was heute wie ein sauber kalkulierter Use Case aussieht, kann morgen zur dauerhaften OPEX-Struktur werden. Ein einfaches AI-gestütztes OTA-Feature, das in der Kalkulation wie eine einmalige Option wirkt, kann im Roll-out über Baureihen und Märkte schnell zu einem siebenstelligen OPEX-Block werden. Das Ergebnis: AI-Features skalieren technisch, aber nicht wirtschaftlich. 

Der Druck: AI-Ausgaben explodieren, TCO bleibt unscharf 

Viele AI-Business-Cases im Automotive enden aktuell in einer gefährlichen Schieflage: Die Projektkosten sind sauber budgetiert. Die Betriebskosten kaum. Genau dort entstehen aber die eigentlichen Skaleneffekte: Inferenzkosten im Feld, Datenhaltung, Retraining, Governance, Security und Monitoring laufen dauerhaft weiter – über ganze Fahrzeuglebenszyklen hinweg. Was wie ein einmaliges Feature kalkuliert wurde, wird plötzlich zu einer permanenten Kostenstruktur. 

Drei Welten, drei Logiken – ein Konflikt 

Das eigentliche Problem ist nicht AI. Sondern dass drei völlig unterschiedliche ökonomische Systeme im Automotive-Sektor aufeinanderprallen: 

Solange diese drei Logiken nicht konsistent verbunden werden, bleiben AI-Initiativen entweder teuer, klein oder beides. Die entscheidende Frage ist deshalb nicht nur, „was kostet AI-Entwicklung?“, sondern: Wie übersetzen wir AI-Kosten und -Nutzung in ein Pricing, das zur Automotive-Realität passt? 

Die neuen Pricing-Modelle und warum sie Automotive herausfordern 

In anderen Industrien sind usage-basierte Modelle längst Standard: Cloud-Plattformen, Data Warehouses, AI-APIs – überall zahlen Unternehmen nur für tatsächlich genutzte Ressourcen. Im Automotive-Kontext kristallisieren sich drei Modelle heraus, die in der Praxis oft kombiniert werden: 

Usage-basierte Modelle 

Abrechnung pro Request (z.B. pro API-Call eines Fahrzeugs), pro aktive:n Nutzer:in, pro verarbeitete Datenmenge oder pro Flottenkilometer. Sie machen variable Kosten transparent, setzen aber ein sauberes Monitoring und Forecasting voraus. 

Outcome-linked Pricing 

Preisstrukturen, die sich an messbaren Ergebnissen orientieren: reduzierte Ausfallzeiten, niedrigere Gewährleistungsquoten, geringere Energiekosten oder zusätzliche Serviceumsätze. Sie erfordern belastbare Baselines und eine klare Attribution von Effekten. 

Plattform- und Subskriptionsmodelle 

Feste Plattformfees pro Jahr, pro Markt oder pro Programm, oft kombiniert mit variablen Komponenten ab bestimmten Schwellen. Sie schaffen Planbarkeit, müssen aber zur tatsächlichen Nutzungskurve passen. 

Für Automotive-Unternehmen sind diese Modelle aus zwei Gründen anspruchsvoll: Erstens fallen Preisentscheidungen früh und müssen langfristig halten. Zweitens sind AI-Kosten und -Nutzung zu Beginn noch wenig stabil – Datenvolumen, Nutzerverhalten und regulatorische Anforderungen verändern sich im Zeitverlauf. 

Das Ergebnis: Verträge, die AI-Entwicklung noch wie ein Projekt bepreisen, während Betrieb und Skalierung in einem unklar definierten „Run“-Budget landen. Spätestens wenn Features im Feld erfolgreich werden, führt das zu Spannungen zwischen Produkt, IT, Einkauf und Finance. 

Build vs. Buy: Es geht nicht nur um Kosten, sondern um Kontrolle 

Die klassische Build-vs.-Buy-Frage bekommt mit AI eine zusätzliche Dimension. Ein interner „Build“-Ansatz mit eigenem Data-Science- und MLOps-Team verspricht Kontrolle, Ownership und Differenzierung, ist aber kapitalintensiv und erfordert ein reifes Operating Model. Externe Plattformen und AI-Services bieten schnelle Time-to-Market und flexible Kosten, aber zu Bedingungen, die von Hyperscalern und Anbietern definiert werden. 

Die zentrale Frage lautet deshalb nicht mehr „Build oder Buy?“, sondern: Wo können wir variable AI-Kosten dauerhaft akzeptieren und wo brauchen wir planbare, strategisch kontrollierte Plattformkosten? 

Ein Muster, das wir in Projekten zunehmend sehen: 

• Hochdifferenzierende Kernfunktionen: Spezifische Flottenoptimierung, proprietäre Fahrfunktionen, markenprägende Assistenzsysteme werden in einer eigenen oder ko-entwickelten Plattform verankert, mit klar definierten Kosten- und Governance-Modellen. 

• Generische Fähigkeiten: Basis-Sprachmodelle, Standard-Vision-Bausteine, generische Analytics werden usage-basiert von Hyperscalern oder spezialisierten Anbietern bezogen und bewusst als variable Kosten geführt. 

Damit wird Pricing zur Architekturentscheidung: Welche Teile der Wertschöpfungskette kaufen wir ein, welche betreiben wir selbst und wie übersetzen wir diese Entscheidungen in Verträge und Business Cases?  

Der blinde Fleck: AI-Kosten im Lebenszyklusmodell 

Viele Business Cases rechnen sauber mit CAPEX und OPEX unterschätzen aber zwei Effekte, die AI fundamental verändern: 

Skalierende Rechen- und Datenkosten 

 Mit wachsendem Featureumfang, höheren Auflösungen in Sensorik und steigenden Personalisierungserwartungen wächst der Bedarf an Training, Inferenz und Datenhaltung. Was im Piloten überschaubar wirkt, vervielfacht sich beim Roll-out über Märkte, Baureihen und Flotten. 

Kontinuierliche Model-Governance 

AI im Automotive ist nie „fertig“. Neue Daten, neue Szenarien im Feld, regulatorische Anforderungen und AI-Governance erfordern regelmäßiges Retraining, Revalidierung, Monitoring und Dokumentation. Diese laufenden Aufwände, landen im klassischen Projektbudget selten realistisch. 

Übertragen auf Fahrzeug- und Flottenlebenszyklen heißt das: Der einmalige Entwicklungsaufwand ist nur ein Bruchteil der tatsächlichen Total Cost of Ownership eines AI-Features. Wer AI im Pricing wie eine Option behandelt („einmal aktiviert, fertig“), unterschätzt diese Dynamik, mit der Gefahr, dass Features später aus Kostengründen limitiert oder stillgelegt werden müssen. 

Konkretes Beispiel: AI-basierte Assistenzfeatures werden mit einem einmaligen Aufpreis pro Fahrzeug kalkuliert. Im Piloten sind Trainings- und Inferenzkosten überschaubar. Nach dem Roll-out über mehrere Baureihen steigen jedoch Nutzungsintensität, Datenhaltung und Governance-Aufwände deutlich, die OPEX-Kurve läuft dem ursprünglich angesetzten Stückpreis davon. Das Feature wird intern zur Margenfrage, nicht zur Innovationsstory. 

Was fehlt: Ein Operating Model für AI-Pricing 

Der eigentliche Engpass ist weniger technischer Natur als organisatorischer: Es fehlt in vielen Unternehmen ein konsistentes Operating Model für AI-Pricing, das Technologie, Business und Finance zusammenbringt. Ein robustes Modell beantwortet mindestens vier Fragen: 

Dort, wo diese Fragen systematisch beantwortet werden, verschiebt sich auch die Rolle der Partner: Weg vom reinen „Delivery-Partner“ hin zum Sparringspartner für AI-Strategie, Pricing und Operating Model. 

Exxeta-Perspektive: AI, die wirtschaftlich trägt 

Genau an dieser Schnittstelle zwischen Technologie und Geschäftsmodell setzen wir an. Unter dem Leitmotiv „AI that works“ verstehen wir AI nicht als Feature, das man an ein bestehendes Produkt anhängt, sondern als tragende Systemschicht des Geschäftsmodells. Von der Strategie über Plattform-Architektur und Data bis hin zu Governance und Skalierung. 

Im Automotive-Umfeld heißt das konkret: Wir denken Use Cases, Architektur und Pricing zusammen. In unseren Strategy & AI-Projekten entwickeln wir mit Kunden: 

• Zielbilder für AI-Plattformen, die sowohl technische als auch ökonomische Anforderungen berücksichtigen. 

• Pricing- und Vertragsmodelle, die OEM-, Tier- und Fleet-Logik mit usage-basierten AI-Services verknüpfen. 

• Governance-Frameworks, die AI-Kosten und ‑Wirkung über den Lebenszyklus sichtbar machen – von der ersten Pilotflotte bis zum globalen Roll-out. 

Diese Logiken haben wir in Automotive-Projekten unter anderem in der Serienentwicklung, im Flottenbetrieb und in After-Sales-Services verankert, jeweils mit klar definierten Verantwortlichkeiten, KPIs und Entscheidungsroutinen. 

Dafür nutzen wir unter anderem unser PAICE®-Framework – ein strukturierter Ansatz, der die organisatorischen, technischen und menschlichen Voraussetzungen aufbaut, damit AI-Investitionen nicht im Piloten steckenbleiben, sondern wirtschaftlich. 

Von der Kostenfrage zur Margenfrage 

AI im Automotive wird kein „nice to have“ sein. Es wird ein zentraler Werttreiber in Entwicklung, Produktion, Vertrieb und Betrieb. Die entscheidende Frage ist nicht mehr, ob man AI einsetzt, sondern ob man es schafft, AI wirtschaftlich zu betreiben. 

Wer AI ausschließlich als Kostenblock betrachtet, steckt in Budgetdebatten fest. Wer AI-Pricing dagegen konsequent aus Business Value, Plattformlogik und Governance denkt, erschließt neue Margenquellen: von dynamisch bepreisten Software-Funktionen über performance-basierte Serviceverträge bis hin zu datengetriebenen Ökosystemen. Die nächsten Wettbewerbsvorteile im Automotive entstehen dort, wo AI nicht nur technisch funktioniert, sondern im Pricing- und Operating Model verankert ist.  

Bleibe auf dem Laufenden: Folge uns auf LinkedIn und abonniere unseren Newsletter