KI,AI,Künstliche Intelligenz,McKinsey,Autobauer,Autoindustrie

Künstliche Intelligenz (KI) kann laut einer McKinsey-Studie zum Renditeturbo für Autohersteller werden: Bis 2025 lassen sich durch den Einsatz maschinellen Lernens bis zu 215 Milliarden. 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 Milliarden Dollar eingespart werden, beispielsweise durch KI-basierte Qualitätskontrolle. Weitere Potenziale liegen im Einkauf (51 Milliarden Dollar) etwa durch höhere Transparenz im Zulieferermarkt und in der Intralogistik (22 Milliarden Dollar), beispielsweise durch autonome Bandbelieferung.

Bis zu 31 Milliarden 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."

  • Künstliche Intelligenz

    1. Was ist Künstliche Intelligenz? Künstliche Intelligenz (KI) beschreibt ein Vorgehen, bei dem Maschinen das Lernen lernen. Anders gesagt: Computersysteme ahmen menschliche Intelligenz nach. Künstliche Intelligenz ist die Simulation intelligenten Verhaltens auf Basis vorgegebener oder erlernter Muster. - Bild: Pixabay

  • autonomes Fahren, Bosch

    2. Wie funktioniert künstliche Intelligenz? Ein KI-System erkennt seine Umgebung, beispielsweise mit Hilfe von Kameras und Sensoren. In diesen Kontextinformationen deckt es Zusammenhänge auf und leitet dann Handlungen daraus ab. Beispiel: Ein KI-System in einem Auto erkennt Fußgänger auf dem Bürgersteig, berechnet die Wahrscheinlichkeit einer Überquerung und leitet bei Bedarf Ausweichmanöver ein.- Bild: Bosch

  • Deep Learning, Bosch

    3. Was ist Deep Learning? Deep Learning ist eine Kategorie des Maschinenlernens und wesentliche Grundlage für künstliche Intelligenz. Beim Deep Learning eignen sich Maschinen durch gemachte Erfahrungen eigenes Wissen an. Hierbei werden sogenannte künstliche neuronale Netze zu Ebenen angeordnet, die immer komplexere Merkmale verwenden. Typische Anwendungen im Alltag: Spracherkennung im Smartphone oder Erkennung von Schildern im Straßenverkehr. - Bild: Bosch

  • Binärcode

    4. Worin unterscheiden sich Künstliche Intelligenz und Algorithmen? Ein Algorithmus ist eine in IT-Sprache formulierte Vorschrift, die aus einer Folge von Anweisungen besteht, mit der bestimmte Aufgaben gelöst werden. Oft setzt sich künstliche Intelligenz aus Algorithmen zusammen. Ein Algorithmus ist aber umgekehrt nicht immer gleich künstliche Intelligenz. - Bild: Pixabay

  • autonomes Fahren, Bosch

    5. Welchen Nutzen stiftet Künstliche Intelligenz für Menschen? Künstliche Intelligenz kommt zum Beispiel im Bereich des automatisierten Fahrens oder in Fahrerassistenzsystemen zum Einsatz. Letztere können helfen, Unfälle zu vermeiden. Auch in der Industrie hält künstliche Intelligenz Einzug. Kollaborative Roboter etwa können neue Aufgaben, die sie im Team mit Menschen erledigen sollen, rasch aus Beispieldaten maschinell erlernen. Die aufwändige Programmierung per Hand entfällt. Das spart Zeit und Geld. Zusätzlicher Nutzen für Mitarbeiter im Werk: Eintönige oder gefährliche Aufgaben erledigt ebenfalls Kollege Roboter. - Bild: Bosch

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 Prozent 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.".

Künstliche Intelligenz: Vier Erfolgsfaktoren

  • 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."

McKinsey

Die vollständige Studie ist zum Download verfügbar unter: www.mckinsey.com/mcfm