Felix Martin, Research Engineer bei Tasking, arbeitet seit mehr als einem Jahrzehnt an der Schnittstelle von Embedded-Systemen und Entwicklungstoolchains. Nach Stationen bei Vector Informatik und Continental stieß er 2017 zu Tasking und konzentriert sich heute darauf, KI-gesteuerte Workflows in automobilen Softwareumgebungen zu integrieren.
Auf der Automotive Computing Conference US 2026 wird Martin über „Empowering automotive development with AI-driven toolchains“ sprechen und erläutern, wie große Sprachmodelle sich von Chat-Oberflächen zu werkzeugangebundenen Engineering-Agenten weiterentwickeln. Im Vorfeld der Konferenz hatten wir die Gelegenheit, mit ihm zu sprechen.
KI-Agenten in der Automotive-Softwareentwicklung: Wie sich Toolchains und Workflows verändern
Wie verändern KI-gestützte Tools derzeit die Entwicklung und Validierung von Automotive-Software?
Martin: Vielleicht etwas kontraintuitiv: Der größte Einfluss von KI in der Automotive-Entwicklung liegt nicht in der Codegenerierung. Ein Großteil des produktiven Codes wird ohnehin bereits von AUTOSAR-Tooling, modellbasierten Entwicklungsumgebungen oder Codegeneratoren erzeugt. Manuell geschriebener C-Code macht nur noch einen schrumpfenden Anteil der Fahrzeugsoftware aus.
Der eigentliche Wandel besteht darin, dass Ingenieure, die Tools zum Generieren, Testen und Validieren von Code nutzen, nun KI einsetzen können, um direkt mit diesen Tools zu interagieren – und gleichzeitig zu lernen, wie sie diese besser einsetzen.
Nehmen wir als Beispiel das Schreiben eines Testskripts für ein Hardware-in-the-Loop-Setup. Bisher bedeutete das oft erheblichen Aufwand: API-Dokumentationen lesen, Skripte schreiben und sie anschließend manuell debuggen. Mit einem KI-Agenten, der die API eines Tools sowie dessen Skriptumgebung versteht, lässt sich aus einer Testspezifikation in einem Bruchteil der Zeit ein funktionierendes Skript erzeugen.
Dieses Muster wiederholt sich entlang des gesamten Softwareentwicklungsprozesses. KI ersetzt weder Debugger noch Profiler, statische Analysewerkzeuge oder Testtools. Sie reduziert vielmehr die Reibung zwischen Ingenieur und Werkzeug – und ermöglicht dadurch mehr Iterationen sowie schnellere Erkenntnisse.
Welchen praktischen Nutzen liefern LLM-basierte Engineering-Agenten heute bereits?
Martin: Schon heute bieten LLM-basierte Agenten konkreten Mehrwert entlang des gesamten Embedded-Entwicklungsprozesses: beim Schreiben von Testskripten, bei Code-Reviews, bei der Durchführung statischer Analysen, bei der Optimierung von Algorithmen oder bei Performance-Messungen. Im Grunde lässt sich das gesamte Werkzeugset der Embedded-Entwicklung bereits sinnvoll erweitern.
Die zentrale Erkenntnis ist: Es geht dabei nicht in erster Linie darum, mehr Code zu generieren. Es geht darum, gründlicher zu arbeiten. Aufgaben, die früher aus Zeitmangel oft ausgelassen wurden – etwa eine umfassende Testabdeckung zu erstellen oder jede einzelne MISRA-Warnung im Kontext zu überprüfen – werden plötzlich praktikabel, wenn ein Agent die aufwendigen Schritte übernimmt. KI macht Sorgfalt wirtschaftlich.
KI in sicherheitskritischen Systemen: Wie lassen sich Vertrauen, Determinismus und ISO-26262-Prozesse sicherstellen?
Wo stoßen KI-unterstützte Workflows heute noch an Grenzen, insbesondere in sicherheitskritischen Entwicklungsumgebungen?
Martin: Die ehrliche Antwort lautet: Die gleichen Einschränkungen, die für von Menschen geschriebenen Code gelten, gelten auch hier. In einer sicherheitskritischen Umgebung darf kein Code ohne qualifizierten Review-Prozess ins System gelangen – und das ändert sich auch dann nicht, wenn dieser Code von einer KI erzeugt wurde. Eine menschliche Prüfung bleibt zwingend erforderlich.
Allerdings ist das keine neue Einschränkung. Code-Reviews waren schon lange vor dem Einsatz von KI notwendig. Der Unterschied ist, dass KI diesen Prozess nun unterstützen kann: Sie kann Probleme markieren, Kontext liefern und potenzielle Regelverletzungen schneller sichtbar machen, als es bei einer rein manuellen Prüfung möglich wäre.
Die tiefere Herausforderung liegt in der Nicht-Deterministik. Große Sprachmodelle arbeiten grundsätzlich probabilistisch, was ihre Qualifizierung im Rahmen aktueller Sicherheitsstandards wie ISO 26262 schwierig macht. Solange sich daran nichts ändert, bleibt KI in einer beratenden Rolle: Sie kann Arbeitsabläufe beschleunigen, Lösungsvorschläge generieren und zusätzliche Einblicke liefern – die Verantwortung für jedes Artefakt, das in den Safety Case einfließt, liegt jedoch weiterhin beim menschlichen Ingenieur.
Gerade deshalb gewinnen statische Analyse und Tests noch stärker an Bedeutung. Diese Verfahren sind deterministisch und qualifizierbar. KI kann helfen, sie schneller aufzusetzen und umfassender auszuführen – und genau hier liegt der größte kurzfristige Nutzen.
Wie lässt sich Vertrauen und Determinismus sicherstellen, wenn KI Teil der Entwicklungs-Toolchain wird?
Martin: Die Antwort ist vermutlich weniger spektakulär, als die Frage vermuten lässt. Im Grunde gelten dieselben Prinzipien wie bei der Zusammenarbeit mit menschlichen Entwicklern: strukturierte Prozesse, Review-Schritte, automatisierte Tests und vollständige Traceability.
KI erfordert also keinen grundsätzlich neuen Governance-Ansatz – vielmehr muss der bestehende Ansatz konsequent angewendet werden.
Was sich allerdings ändern muss, ist die Toolchain selbst. Wenn die Werkzeuge, mit denen ein KI-Agent arbeitet, nicht protokollieren können, was passiert ist, ihre Ergebnisse nicht strukturiert bereitstellen oder sich nicht in bestehende Review-Workflows integrieren lassen, funktioniert der Prozess nicht.
Deshalb ist es entscheidend, dass sich Entwicklungswerkzeuge parallel zu den neuen KI-Fähigkeiten weiterentwickeln und nicht hinter ihnen zurückbleiben. Ein Agent ist letztlich nur so vertrauenswürdig wie die Toolchain, über die er arbeitet.
KI im Serienfahrzeug: Wo ADAS, Predictive Maintenance und In-Vehicle-Assistenz bereits echten Mehrwert liefern
Welche KI-basierten Fahrzeugfunktionen schaffen heute bereits realen Mehrwert in Serienfahrzeugen – jenseits von Demo-Anwendungen?
Martin: Diese Frage geht etwas über den Schwerpunkt meines Vortrags hinaus. Dennoch gilt: Viele Serienfahrzeuge nutzen bereits heute KI-gestützte Funktionen weit über reine Demonstrationen hinaus – insbesondere im Bereich der Fahrerassistenzsysteme (ADAS).
Systeme wie adaptive Geschwindigkeitsregelung, automatische Notbremsung, Spurhalteassistenz oder Kollisionsvermeidung nutzen KI-basierte Sensorfusion und Entscheidungslogik, um die Sicherheit zu erhöhen und Unfälle zu vermeiden.
Weitere praktische Anwendungen finden sich in der prädiktiven Analyse von Fahrzeugzuständen und Wartungsbedarf sowie in personalisierten In-Vehicle-Erlebnissen. Dazu zählen etwa intelligente Assistenten, die Fahrerpräferenzen lernen und Fahrzeugfunktionen entsprechend anpassen oder per Sprachsteuerung reagieren.
Was sind die wichtigsten Voraussetzungen – etwa in Bezug auf Architektur, Sicherheit oder Toolchains – um KI über ganze Fahrzeugportfolios hinweg zu skalieren?
Martin: Die grundlegenden Voraussetzungen sind eigentlich seit Langem bekannt – sie gleichzeitig umzusetzen ist jedoch schwierig. Dazu gehören standardisierte Softwarearchitekturen, Toolchains, die Zertifizierungsanforderungen von Anfang an berücksichtigen, sowie Hardwareplattformen, die Hersteller nicht an einen einzelnen Halbleiteranbieter binden.
Die Herausforderung liegt also weniger darin zu verstehen, was benötigt wird, sondern vielmehr darin, Organisationen, Zulieferer und Standardisierungsgremien so zu koordinieren, dass sie sich mit dem gleichen Tempo in diese Richtung bewegen.
Der Artikel erschien ursprünglich auf Englisch bei unserer Schwesterpublikation Automotive Digital Transformation.
