In Teil I dieser Reihe wurde dargelegt, warum die Dateninfrastruktur der Automobilindustrie ihrer Intelligenzinfrastruktur voraus ist, und der „Agentic Loop“ vorgestellt – das Rahmenkonzept v Sonatus, mit dem diese Lücke geschlossen werden soll: Erkennen → Erfassen → Schlussfolgern → Handeln → Lernen. In Teil II werden wir konkret darauf eingehen, was in den einzelnen Phasen tatsächlich geschieht und warum die Reihenfolge ebenso wichtig ist wie die einzelnen Phasen selbst.
ERKENNEN
Die Erkennung ist der Einstiegspunkt des Regelkreises, und ihre Qualität bestimmt die Qualität aller nachfolgenden Schritte. Ist sie schlecht ausgeführt, überschwemmt sie das System mit Rauschen. Ist sie gut ausgeführt, wirkt sie wie ein präziser Filter – sie hebt die wichtigen Signale hervor und ignoriert die unwichtigen.
Die herkömmliche Fehlererkennung in Fahrzeugsystemen erfolgt in der Regel regelbasiert: Überschreitung von Schwellenwerten, Auslösung durch Fehlercodes, binäre „Bestanden/Nicht bestanden“-Bedingungen. Diese Regeln wurden zu einem bestimmten Zeitpunkt von Ingenieuren auf der Grundlage bekannter Fehlermodi festgelegt. Sie sind per Definition retrospektiv – darauf ausgelegt, bereits bekannte Probleme zu erkennen, losgelöst vom breiteren Systemkontext, in dem sie auftreten.
Die Erkennung in einer agentenbasierten Architektur funktioniert anders. Sie arbeitet probabilistisch und kontextbezogen und stützt sich dabei gleichzeitig auf Muster aus mehreren Fahrzeugbereichen – nicht nur isoliert auf den Antriebsstrang, das Wärmemanagement oder die Fahrzeugvernetzung, sondern auf die Schnittstellen zwischen diesen Bereichen. Ein thermisches Ereignis, das während eines bestimmten Fahrszenarios mit einem spezifischen Netzwerkverkehrsmuster zusammenfällt, ist ein anderes Signal als dasselbe thermische Ereignis für sich genommen. Der Kontext verändert die Bedeutung, und die Erkennung muss kontextbewusst sein, um das richtige Signal zum richtigen Zeitpunkt zu identifizieren.
Entscheidend ist, dass die Erkennung kontinuierlich erfolgt – nicht als Batch-Prozess am Ende eines Testtages, sondern als Live-Ebene, die in die intelligente Infrastruktur des Fahrzeugs eingebettet ist. Genau das macht den Regelkreis zu einem aktiven und nicht nur zu einem rein analytischen Prozess.
SAMMELN
Sobald etwas entdeckt wurde, das eine Untersuchung rechtfertigt, wird in der Erfassungsphase festgelegt, welche Daten erfasst werden – und, was ebenso wichtig ist, welche nicht.
Der Wandel besteht hier in der Umstellung von einer permanenten Protokollierung hin zu einer ereignisgesteuerten, gezielten Datenerfassung. Die permanente Protokollierung erzeugt erhebliche Datenmengen, von denen der Großteil niemals analysiert wird. Die Übertragung über Mobilfunknetze ist kostspielig, ebenso wie die Speicherung und die Auswertung dieser Daten. Noch wichtiger ist jedoch, dass Massenprotokollen in der Regel der Kontext fehlt, der erforderlich ist, um sie verwertbar zu machen: Ohne zu wissen, was eine Datenerfassung ausgelöst hat, lassen sich rohe Telemetriedaten nur schwer interpretieren.
Die ereignisgesteuerte Datenerfassung kehrt diese Beziehung um. Wenn die Erkennungsschicht ein Signal identifiziert, das einer Untersuchung wert ist, stellt die Erfassungsstufe eine gezielte Aufzeichnung zusammen: die richtigen Kanäle, das richtige Zeitfenster, den richtigen domänenübergreifenden Kontext – präzise um das betreffende Ereignis herum erfasst. Anstelle von Gigabyte an fortlaufenden Protokollen erhält ein Techniker die Daten, auf die es ankommt, reichlich ergänzt durch Angaben zu den Bedingungen, unter denen das Ereignis stattfand.
Dadurch entfällt der erneute Durchlauf. Der zuvor verlorene Kontext – das Fenster, das geschlossen wurde, bevor jemand den Logger konfiguriert hatte – wird beim ersten Mal erfasst, da das System bereits darauf gewartet hat. Der Prototyp muss nicht erneut ausgeführt werden. Die Ingenieure haben alles, was sie brauchen.
GRUND
Das logische Schlussfolgern ist die Phase, die eine Intelligenzarchitektur am deutlichsten von einer Datenarchitektur unterscheidet. Hier vollzieht die Schleife den Übergang von „Was ist passiert?“ zu „Warum?“.
Fahrzeugsysteme sind so komplex, dass eine manuelle Ursachenanalyse immer schwieriger wird. Domänenübergreifende Wechselwirkungen – zwischen Antriebsstrang, Thermomanagement, ADAS und Fahrzeugvernetzung – führen zu Fehlermodi, die in keinem einzelnen Datenstrom eindeutig erkennbar sind. Ein erfahrener Ingenieur kann Tage damit verbringen, Signale aus CAN-Protokollen, Ethernet-Aufzeichnungen, Sensordaten und Systemereignisprotokollen miteinander zu verknüpfen, um eine Hypothese zur Ursache zu erstellen. Und dieses Fachwissen lässt sich nicht ohne Weiteres weitergeben: Es ist in einzelnen Personen verankert, wurde über Jahre diagnostischer Arbeit erworben und wird in dem Moment zu einem Risiko für den Personalverlust, in dem Mitarbeiter andere Karrieremöglichkeiten in Betracht ziehen.
Die Schlussfolgerungsphase in einer agentenbasierten Architektur wendet eine v AI-gestützte Analyse genau auf diese Art von Daten aus mehreren Quellen und verschiedenen Bereichen an. Sie ersetzt nicht das Urteilsvermögen des Ingenieurs – sie verkürzt vielmehr die Zeit von den Daten bis zur Hypothese. Sie liefert mögliche Ursachen mit belegenden Beweisen, die so strukturiert sind, dass ein Ingenieur sie überprüfen, validieren und darauf reagieren kann. Der Ingenieur bleibt Teil des Prozesses; dieser läuft lediglich schneller ab und bewältigt mehr Komplexität, als eine einzelne Person manuell bewältigen könnte.
Dies hat auch eine Dimension der Wissenssicherung, die in der Branche oft unterschätzt wird. Wenn diagnostisches Fachwissen in die Schlussfolgerungsebene integriert wird – wenn also die gesammelten Erfahrungen erfahrener Ingenieure bei der Mustererkennung in einem System erfasst werden, anstatt nur in ihren Köpfen zu verbleiben –, wird es zu einem dauerhaften institutionellen Vermögenswert. Es geht nicht in den Ruhestand, sondern vermehrt sich.
ACT
Die Handlungsphase ist es, die den Kreislauf zu einem echten agentischen und nicht nur zu einem rein analytischen Prozess macht. Ohne sie wäre der agentische Kreislauf lediglich ein ausgeklügeltes Berichtssystem. Mit ihr wird Intelligenz zu einem Ergebnis.
Das Spektrum der Maßnahmen ist bewusst breit gefasst. Am einen Ende steht die Übermittlung einer strukturierten Erkenntnis an einen Validierungsingenieur – einschließlich Belegen und einer möglichen Grundursache – über die Tools, die dieser bereits nutzt. Am anderen Ende steht die Auslösung eines OTA-Konfigurationsupdates für ein bestimmtes Flottensegment oder die Kennzeichnung einer Serviceempfehlung für ein Fahrzeug bei einem bestimmten Händler. Zwischen diesen beiden Extremen gibt es eine Reihe automatisierter und halbautomatisierter Reaktionen, die auf den Konfidenzgrad der Schlussfolgerung, die Tragweite der Entscheidung und die Unternehmensrichtlinien des OEM abgestimmt sind.
In der Aktionsschicht entfaltet die Schleife zudem ihren größten sichtbaren geschäftlichen Nutzen. Erkenntnisse, deren Umsetzung zuvor tagelange manuelle Analysen und eine fest geplante Besprechung erforderte, können nun innerhalb von Stunden zutage treten und weiterverbreitet werden. Maßnahmen zur Verbesserung der Flottenqualität, die zuvor erst durch einen Anstieg der Garantiefälle ausgelöst wurden, können nun bereits ergriffen werden, bevor die erste Kundenbeschwerde eingeht.
LERNEN
Die Lernphase ist das, was den „Agentic Loop“ von allen anderen Ansätzen unterscheidet, die im Bereich der Fahrzeugintelligenz zum Einsatz gekommen sind – und sie ist die strategisch bedeutendste Phase von allen.
Jede einzelne Phase des Kreislaufs ist für sich genommen wertvoll. Doch ohne die Lernphase bleibt der Kreislauf statisch: Die Qualität der Erkennung, Datenerfassung und Schlussfolgerung im 1.000. Zyklus ist nicht besser als im ersten Zyklus. Die Lernphase schließt den Kreislauf im wahrsten Sinne des Wortes – die Ergebnisse fließen zurück in die Erkennungsmodelle und die Wissensbasis für Schlussfolgerungen und aktualisieren diese auf der Grundlage dessen, was sich bestätigt hat, was falsch war und welche neuen Muster sich ergeben haben.
Das bedeutet, dass das System im Laufe der Zeit nachweislich besser wird. Nicht nur schrittweise und in geringem Maße, sondern exponentiell – denn jeder Zyklus trägt zur kumulierten Intelligenz des Systems bei, was wiederum die Qualität jedes nachfolgenden Zyklus verbessert. Wir werden noch darauf zurückkommen, warum dies für die OEM-Strategie von Bedeutung ist, da wir der Ansicht sind, dass dies die wichtigste Konsequenz dieser Architektur ist.
Warum „Betriebssystem“ die richtige Metapher ist
Lassen Sie uns bei der Metapher des Betriebssystems genau sein, denn wenn sie nicht richtig begründet ist, läuft man Gefahr, dass sie wie Marketing-Rhetorik klingt.
Ein Betriebssystem führt nicht die Funktionen der Anwendung aus. Es verwaltet die zugrunde liegenden Ressourcen – Rechenleistung, Arbeitsspeicher, E/A –, damit sich Anwendungen auf das konzentrieren können, wofür sie entwickelt wurden. Es schafft eine stabile, gemeinsam genutzte Plattform, auf der viele verschiedene Arten von Aufgaben effizient ausgeführt werden können.
Der „Agentic Loop“ spielt für die Fahrzeugintelligenz dieselbe Rolle. Er verwaltet die zugrunde liegende Komplexität der Fahrzeugdaten – Erkennung, Erfassung, Schlussfolgerung, Aktion, Lernen –, sodass sich die Teams, die darauf aufbauen, auf ihre eigentliche Arbeit konzentrieren können: technische Entscheidungen treffen, die Produktqualität verbessern, Kunden betreuen. Er ersetzt keine dieser Funktionen. Er schafft vielmehr die Voraussetzungen dafür, dass jede dieser Funktionen mit deutlich höherer Geschwindigkeit und Qualität ausgeführt werden kann, als dies ohne ihn möglich wäre.
Und genau wie bei einem Betriebssystem steigt sein Wert, je mehr Funktionen darauf laufen. Eine gemeinsame Intelligenzplattform für Validierung, Qualität und Service ist wertvoller als dieselbe Fähigkeit, die in isolierten Bereichen eingesetzt wird – denn die bei der Validierung gewonnenen Erkenntnisse fließen in die Fehlererkennung im Praxiseinsatz ein, und die dort bestätigten Fehlermodi werden wiederum in die Validierungsgrundlagen zurückgeführt. Dieser Kreislauf läuft nicht nur innerhalb einer Funktion ab, sondern verbindet verschiedene Funktionen miteinander.
Der Loop in der Praxis: Vor und nach dem SOP
Die Architektur des Regelkreises bleibt über den gesamten Lebenszyklus des Fahrzeugs hinweg unverändert. Was sich ändert, sind die Datenquelle und die Art der am Ende ausgeführten Aktion.
Vor der SOP wird der Regelkreis im Rahmen der Validierung an Prototypfahrzeugen getestet, die strukturierte und unstrukturierte Testszenarien durchlaufen. Die Erkennung identifiziert Anomalien in Echtzeit während der Testfahrt. Durch gezielte Datenerfassung wird der relevante Kontext direkt vor Ort erfasst – noch bevor das Fahrzeug zum „ the garage “ zurückkehrt und das Zeitfenster schließt. Die Analyse liefert dem Validierungsteam noch am selben Tag, manchmal sogar noch schneller, mögliche Ursachen. Als Maßnahme kann eine sofortige Anpassung des Testprotokolls oder die Weiterleitung eines Konstruktionsbefunds an das zuständige Ingenieurteam erfolgen. Die gewonnenen Erkenntnisse aktualisieren die Erkennungs- und Analysemodelle für den nächsten Testzyklus, sodass das System bei nachfolgenden Tests bereits weiß, worauf es achten muss.
Nach Abschluss des SOP wird derselbe Kreislauf in der Praxis in großem Maßstab auf eine Flotte von Serienfahrzeugen angewendet. Die Erkennung identifiziert sich abzeichnende Muster – Häufungen von Fehlermodi nach Region, Fahrzyklus, Softwareversion oder Umgebungsbedingungen. Eine gezielte Datenerfassung bestätigt das Signal mit präzisen, reproduzierbaren Belegen aus den Fahrzeugen, in denen es auftritt. Durch logische Schlussfolgerungen wird die Grundursache auf Flottenebene diagnostiziert. Maßnahmen können ein OTA-Update für eine bestimmte Softwarekonfiguration, eine proaktive Servicekampagne, bevor Ausfälle für Kunden sichtbar werden, oder eine Qualitätswarnung an einen Zulieferer sein. Durch das Lernen wird die neue Fehlerart in die Erkennungsbasis integriert, sodass die nächste Plattform bereits mit diesem Wissen ausgestattet ist.
Die Architektur ändert sich zwischen einer Validierungsgarage und einer Flotte von Serienfahrzeugen nicht, sondern lediglich die Datenquelle und die abschließende Aktion. Diese Konsistenz ist jedoch mehr als nur ein Designdetail. Sie ist der Grund dafür, dass diese Art von System umso wertvoller wird, je länger es läuft – und genau dieser Aspekt ist für die aktuelle Denkweise der OEMs in dieser Frage am wichtigsten.
