Dies ist Teil 1 von „The Uptime Equation“, einer Serie über die wirtschaftlichen Aspekte von Edge-Intelligence in Nutzfahrzeugen.
Ein Schwerlast-Lkw wird mit einem sporadisch auftretenden Fehlercode bei einem Händler vorgeführt. Der Techniker tauscht das Bauteil aus, bei dem die Wahrscheinlichkeit am größten ist, dass es defekt ist, löscht den Fehlercode und gibt den Lkw wieder frei. Drei Wochen später kehrt er mit demselben Fehlercode zurück. Dann passiert es erneut. Beim vierten Besuch findet jemand die eigentliche Ursache: einen durchgescheuerten Kabelbaum, zwei Module entfernt von der Stelle, auf die der Fehlercode hingedeutet hatte. Durch diese Besuche fiel der Lkw der Flotte fast eine ganze Woche lang aus. Der Erstausrüster bezahlte drei Teile, die gar nicht defekt waren, sowie drei Arbeitsgänge im Rahmen der Garantie, und die Beziehung, auf die er bei der nächsten Flottenerneuerung angewiesen sein wird, hat einen Knacks bekommen.
Niemand hat etwas falsch gemacht. Der Fehlercode wurde genau wie vorgesehen ausgelöst. Ein J1939-Fehlercode (SPN/FMI) teilt einem Techniker mit, welches Signal seinen erwarteten Bereich verlassen hat und in welcher Weise. Er gibt jedoch keinen Hinweis auf die Ursache. Ein einziges Problem mit der Verkabelung oder einem Stecker kann Fehlercodes in mehreren Modulen gleichzeitig auslösen. Nutzfahrzeuge verfügen bereits seit Jahren über eine telematikgestützte Wartung mit DTC-ausgelösten Arbeitsaufträgen, Dashboards und Warnmeldungen – und dieser Kreislauf funktioniert. Was jedoch begrenzt ist, ist die Auflösung des Signals, das diesen Kreislauf speist.
Was fehlender Kontext kostet
Laut der ATRI-Analyse der Betriebskosten im Güterkraftverkehr aus dem Jahr 2026erreichten die durchschnittlichen Betriebskosten für einen Lkw im Jahr 2025 2,336 US-Dollar pro Meile – den höchsten jemals verzeichneten Wert. Die Kosten für Reparatur und Wartung stiegen um 8,6 % auf 0,215 US-Dollar pro Meile, was den größten Anstieg aller Posten mit Ausnahme der Mautgebühren darstellt. Mit steigenden Reparaturkosten wird jeder erneute Werkstattbesuch, der durch einen unklaren Fehlercode verursacht wird, teurer. Langsame Diagnosen sind an der Tagesordnung: McKinseys Umfrage aus dem Jahr 2026 unter Führungskräften aus den Bereichen Kundendienst und Qualität ergab, dass es etwa sieben Wochen dauert, bis eine bestätigte Ursache ermittelt ist, und nannte schlechte Datenqualität als ein wesentliches Hindernis für den Einsatz von „ AI “ zur Vorhersage von Qualitätsproblemen.
Für den OEM macht sich diese Unklarheit in Form von Garantiekosten bemerkbar. In der gesamten Automobilbranche beliefen sich die Garantiekosten im Jahr 2024 auf 58 Milliarden US-Dollar – das Doppelte des Niveaus von 2012, wie in dem Blogbeitrag „ Sonatus “ erwähnt Das 58-Milliarden-Dollar-Problem, für dessen Lösung „Vehicle AI “ entwickelt wurde. Jedes Teil, das unnötigerweise im Rahmen der Garantie ausgetauscht wird, und jede Rücksendung mit dem Vermerk „kein Fehler gefunden“ fließt in diese Zahl ein.
Die Betriebsverfügbarkeit ist ein entscheidender Faktor dafür, ob ein Nutzfahrzeug den nächsten Flottenauftrag erhält, und Flotten nehmen Betriebsverfügbarkeit und Diagnosefunktionen zunehmend in ihre Kaufanforderungen auf.
Fehlender Kontext hat auch menschliche Kosten zur Folge. Wenn Warnmeldungen oft genug vage, verspätet oder falsch sind, reagieren Fahrer nicht mehr darauf, und Techniker beginnen, die Dashboards manuell zu überprüfen. Eine Warnmeldung, der niemand vertraut, ist schlimmer als gar keine Warnmeldung, denn sie führt dazu, dass die Menschen lernen, die wirklich wichtigen Warnmeldungen zu ignorieren.
Zersplitterung innerhalb der Flotte und im Lkw selbst
In der gesamten Flotte besteht das Problem in der Uneinheitlichkeit zwischen den Marken. Der Weg in die Zukunft: Neue Chancen durch standardisierte Daten für Nutzfahrzeuge erschließen… wurde hervorgehoben, dass über 90 % der Flotten Fahrzeuge verschiedener Marken einsetzen und proprietäre Signalformate sowie Namenskonventionen die Integration erschweren. COVESA prognostiziert, dass der Markt für Nutzfahrzeug-Telematik von 33 Milliarden US-Dollar im Jahr 2022 auf 95 Milliarden US-Dollar bis 2032 wachsen wird, und dieses gesamte Wachstum beruht auf dieser fragmentierten Datenebene.
In einem einzelnen Lkw liegt das Problem in der Zuständigkeit. Hersteller von Schwerlast-Lkw sind gleichzeitig auch Integratoren. Motor-, Getriebe-, Abgasnachbehandlungs- und Bremssteuergeräte stammen oft von verschiedenen Zulieferern, und jeder meldet Fehler auf seine eigene Weise. Der Hersteller ist Eigentümer des Fahrzeugs und trägt die Gewährleistungspflicht, jedoch nicht für jede Steuereinheit, die einen Fehlercode ausgibt. Standards wie COVESA VSS helfen bei der markenübergreifenden Benennung. Sie liefern jedoch nicht den Kontext, den der Fehlercode einer Zulieferer-Steuereinheit auslässt.
Was „Fahrzeugkontext“ eigentlich bedeutet
„Fahrzeugkontext“ bedeutet nicht einfach nur mehr Daten. Es bedeutet vielmehr, dass die Signale, der Systemzustand und der Verlauf rund um ein Ereignis zum richtigen Zeitpunkt erfasst werden:
- Der Kontext rund um den Fehler, nicht nur der Code. Signale vor und nach dem Trigger zeigen, wie sich der Zustand entwickelt hat.
- Domänenübergreifender Zustand zu diesem Zeitpunkt. Das bedeutet, was Motor, Abgasnachbehandlung, Elektrik und Arbeitszyklus zu diesem Zeitpunkt jeweils taten.
- Die Erfassung wird durch das Ereignis selbst ausgelöst. Die Erfassung ist auf die gestellte Frage ausgerichtet, anstatt alles zu protokollieren oder nach einem festen Zeitplan Stichproben zu ziehen.
- Im Fahrzeug gespeicherte Historie. Wenn sich ein Muster abzeichnet, kann ein Ingenieur Wochen zurückblicken, anstatt darauf zu warten, dass der Fehler erneut auftritt.
Das ist das Prinzip hinter der ereignisgesteuerten Datenerfassung, wie beispielsweise Fastlane™ Collector, und sie entspricht der „Collect“-Phase der Agentic Loop. Außerdem verändert sie den Nutzen der Daten. Ein Fehlercode ohne Kontext kann zwar einen Arbeitsauftrag auslösen, eignet sich jedoch nur schlecht zum Trainieren eines prädiktiven Modells, da ein Modell, das mit mehrdeutigen Labels trainiert wird, diese Mehrdeutigkeit übernimmt. Erst kontextreiche Ereignisdaten machen prädiktive Vorhersagen auf Basis von „ AI “ und ML praktikabel. Darauf werden wir in einem späteren Teil dieser Serie zurückkommen.
Warum dies am Fahrzeug entschieden wird
Ein besseres Dashboard kann keine Kontextdaten wiederherstellen, die das Fahrzeug nie erfasst hat. Der Fahrzeugkontext wird am „Edge“ – also direkt im Fahrzeug – in den Sekunden rund um ein Ereignis anhand der Daten bestimmt, die die Plattform erfassen, speichern und senden soll. Damit handelt es sich um eine architektonische Entscheidung des OEM. Flottenbetreiber spüren das Problem und leiten es über ihre Kaufanforderungen an die vorgelagerten Ebenen weiter. Die Plattform- und E/E-Architekturteams des OEM sind diejenigen, die es lösen können.
Die Erfassung dieses Kontexts ist mit Kosten verbunden: Sensorik, Rechenleistung an Bord, Speicherplatz und Bandbreite. Die OEMs müssen die Stücklistenkosten (BOM) über ihre Nutzfahrzeug-Produktlinien hinweg verwalten, die geringere Margen und niedrigere Stückzahlen aufweisen als Personenkraftwagen – daher ist dies keine Entscheidung, die man leichtfertig trifft. Es gibt im Wesentlichen zwei Wege: Entweder investiert der OEM in leistungsfähigere Hardware, um eine höhere Erfassungsgenauigkeit zu erzielen, oder er entwickelt Software, die effizient genug ist, um die erforderlichen Daten aus der bereits im Fahrzeug vorhandenen Hardware zu gewinnen.
Fazit: Kommerzielle Flotten nutzen bereits Fahrzeugdaten. Die Lücke liegt im Fahrzeugkontext: Fehlercodes weisen auf einen überwachten Parameter hin, nicht auf ein defektes Bauteil, und diese Mehrdeutigkeit führt zu wiederholten Reparaturen, Garantiekosten, Alarmmüdigkeit und zu groben Trainingsdaten für „ AI “. Die Behebung dieses Problems ist eine Entscheidung der OEM-Plattform, die am „Edge“, also direkt im Fahrzeug zum Zeitpunkt des Ereignisses, getroffen wird, und sie erzwingt einen Kostenkompromiss, auf den wir in Teil 2 eingehen werden.