Interview mit Alexandre Corjon, SVP bei Sonatus
„Häufig fehlen flexible Netzwerk-Fabric und Compute-Ressourcen“
Edge AI wird mehr und mehr zum Schlüsselthema für softwaredefinierte Fahrzeuge. Alexandre Corjon von Sonatus erklärt, warum klassische E/E-Architekturen an Grenzen stoßen und was Plattformen brauchen, um flexibel, wartbar und skalierbar zu bleiben.
Alexandre Corjon brachte mehr als 30 Jahre Erfahrung aus Luft- und Raumfahrt, Automotive und Software auf die AEK-Bühne. Vor seinem Wechsel zu Sonatus im Dezember 2025 hatte er leitende Positionen bei OPmobility, der Renault-Nissan Alliance und Airbus inne.
Matthias Baumgartner
Mit zunehmender Komplexität softwaredefinierter Fahrzeuge beschränkt sich der Druck auf E/E-Architekturen längst nicht mehr auf Connectivity und Compute allein. Automobilhersteller müssen heute entscheiden, wie sich Edge Intelligence so integrieren lässt, dass sie Skalierbarkeit, Wartbarkeit und eine schnellere softwaregetriebene Anpassung im Feld unterstützt.
Alexandre Corjon, Senior Vice President und Technical Fellow bei Sonatus, griff diese Fragen in seinem Vortrag auf dem diesjährigen AUTOMOBIL-ELEKTRONIK Kongress auf. Auf Basis von mehr als 30 Jahren Erfahrung in Luft- und Raumfahrt, Automotive und Software zeigte der Franzose, wo heutige SDV-Ansätze noch an Grenzen stoßen und was eine skalierbare Softwareplattform in der Praxis leisten muss.
Nach der Veranstaltung haben wir mit ihm über Architektur-Engpässe, Softwaregrundlagen und Edge-Intelligence-Strategien gesprochen, die die nächste Phase softwaredefinierter Mobilität prägen werden.
Herr Corjon, mit Blick auf die nächsten drei bis fünf Jahre: Was wird der größte Engpass dabei sein, SDV- und KI-Strategien in skalierbare, industrialisierte Fahrzeugplattformen zu überführen?
In absehbarer Zeit wird sich der zentrale Engpass von der Hardwareverfügbarkeit hin zur Herausforderung verschieben, Legacy-Systeme mit dynamischer Software zu verbinden. Auch wenn die Verfügbarkeit von Hardware heute keine Krise mehr ist wie während der Chipknappheit, stehen Automobilhersteller weiterhin vor realen Hürden beim Einsatz von KI am Edge – insbesondere wenn es darum geht, unterschiedliche KI-Modelle über verschiedene Fahrzeugkonfigurationen hinweg zu aktualisieren, zu überwachen und zu orchestrieren, ohne Netzwerkbandbreite oder Compute-Budgets zu überlasten. Hinzu kommt eine Abhängigkeit von physischen Tests. Auch heute beruhen viele Validierungsprozesse noch auf physischen Flotten, realer Straßenerprobung und langen Testzyklen, um selbst kleinere Softwareänderungen zu verifizieren. Die Branche muss sich in Richtung vollständig virtualisierter, automatisierter Tests und KI-gestützter Diagnostik bewegen – von Pre-SOP bis Post-Sales –, wenn sie mit den schnellen Innovationszyklen von Software Schritt halten will.
Welche heute getroffene Entscheidung wird am stärksten bestimmen, wo im künftigen Automotive-Ökosystem Wertschöpfung entsteht?
Die OEMs, die das künftige Automotive-Ökosystem anführen werden, sind diejenigen, die heute in eine konsistente, hardwareagnostische Softwarebasis investieren. Derzeit basieren die meisten Fahrzeuge noch auf festgelegtem, hart codiertem Data Logging. Das bedeutet, dass Ingenieure Monate im Voraus entscheiden müssen, welche Signale das Fahrzeug erfassen wird; eine spätere Änderung erfordert das Umschreiben von Software und das Ausrollen eines Updates. Das ist zu starr für eine Welt, in der Probleme in Echtzeit auftreten und sich KI-Modelle ständig weiterentwickeln. Der Wechsel zu einer dynamischen, KI-gestützten Datenpipeline kehrt dieses Modell um. Man kann die Flotte dynamisch instrumentieren, nur die für eine bestimmte Analyse erforderlichen Signale abrufen und sich an veränderte Bedingungen anpassen. Genau diese Flexibilität wird es dem Ökosystem ermöglichen, Wert zu erschließen – von der Vorhersage von Wartungsbedarfen über das Verständnis des Fahrerverhaltens bis hin zur Bereitstellung gezielter Services.
Warum OTA-Updates und E/E-Silos SDV-Architekturen ausbremsen
Wo bleiben heutige Ansätze für SDVs und Next-Generation-E/E-Architekturen in realen Programmen noch hinter den Anforderungen zurück?
Viele heutige SDV-Implementierungen bleiben hinter den Anforderungen zurück, weil sie bei OTA-Updates einen „Vorschlaghammer“-Ansatz verwenden. Man muss große Teile der Fahrzeugsoftware flashen, nur um eine kleine Funktion anzupassen oder die Datenerfassung zu ändern. Hinzu kommt, dass viele E/E-Architekturen der nächsten Generation Domänen wie Antriebsstrang und Infotainment weiterhin in getrennten Silos halten, was echte domänenübergreifende Erkenntnisse nahezu unmöglich macht. Das Ergebnis ist eine Architektur, die weiterhin zu starr ist. Statt gezielter, containerisierter Updates, die Änderungen nur auf das tatsächlich Erforderliche beschränken, fehlt häufig die flexible Netzwerk-Fabric, die nötigen Compute-Ressourcen oder der gemeinsame Speicher, damit sich ein Fahrzeug im Feld eigenständig anpassen kann, ohne wieder in einen Workflow auf Fabrikebene gezwungen zu werden.
Was macht eine skalierbare Softwareplattform für SDVs in der Praxis aus?
Eine skalierbare Softwareplattform beginnt mit Hardwareagnostik und einer konsequent definierten serviceorientierten Architektur. Erforderlich ist eine einheitliche Abstraktionsschicht – ein gemeinsames Betriebssystem und eine Vehicle API –, die unabhängig davon funktioniert, welche Chips oder Tier-1-Hardware eingesetzt werden. Fahrzeugfunktionen müssen als isolierte, interoperable Komponenten ausgelegt sein – im Grunde als Microservices –, damit Funktionen über Fahrzeuglinien hinweg übertragen werden können, ohne Code neu zu schreiben. Diese Grundlage funktioniert jedoch nur, wenn sie mit einer feingranularen Orchestrierung kombiniert wird. Automobilhersteller benötigen die Fähigkeit, Edge-KI-Modelle auszurollen, das Netzwerkverhalten anzupassen oder Regeln für die Datenerfassung im laufenden Betrieb neu zu konfigurieren, ohne einen neuen Software-Build zu erstellen oder ein vollständiges Firmware-Update durchzuführen.
Wie Softwareplattformen Wiederverwendung, Wartbarkeit und Edge Intelligence ermöglichen
Wo haben heutige Softwareansätze weiterhin Schwierigkeiten, Wiederverwendung und langfristige Wartbarkeit zu erreichen?
Heutige Softwareansätze haben Schwierigkeiten, weil sie weiterhin eng an Hardware gekoppelt sind und ihnen die Abstraktion sowie die Transparenz über den Lebenszyklus fehlen, die für langfristige Wartbarkeit erforderlich sind. Wiederverwendung ist begrenzt, weil ein großer Teil des Codes für spezifische ECUs geschrieben wird statt als portable, plattformübergreifende Services. Dadurch lösen Hardwareänderungen umfangreiche Neuentwicklungen aus. Und ohne KI-gestützte Diagnostik, die Probleme früh erkennt und Regressionstests automatisiert, bleiben Teams in reaktiven Wartungszyklen gefangen und verfolgen fortlaufend Regressionen, anstatt deren Ursachen frühzeitig zu isolieren.
Wie verändert Edge Intelligence die Rolle traditioneller E/E-Architekturen im Fahrzeug?
KI im Fahrzeug am Edge verändert die Ausgangslage grundlegend. Sie macht aus der E/E-Architektur des Fahrzeugs mehr als eine einfache Sammlung von Datenleitungen – sie wird zu einem lokalen Verarbeitungsknoten. Diese Systeme können große Mengen an Sensor- und Telemetriedaten direkt im Fahrzeug verarbeiten. Das führt zu schnelleren Reaktionen, geringeren Cloud- und Übertragungskosten sowie zu verbesserter Datenprivatsphäre und Datensouveränität. Diese Architekturen müssen außerdem in der Lage sein, rechenintensive KI-Workloads und hochbandbreitige Sensordaten in Echtzeit zu verschieben und sie den jeweils verfügbaren Compute-Ressourcen zuzuweisen.
