Interview mit Saskia Kohlhaas, IAV
„Plattformen sind das Rückgrat KI‑gestützter Entwicklung“
KI wird nur dann echte Produktivitätsgewinne in der automobilen Softwareentwicklung liefern, wenn sie über Prozesse, Toolchains und Governance hinweg skaliert wird. Saskia Kohlhaas von IAV erklärt, wie KI‑durchdrungene Entwicklung effektiv umgesetzt werden kann.
Saskia Kohlhaas ist Chief Digital Officer und Executive Vice President IT bei IAV. Die Informatikabsolventin der Hochschule Furtwangen verbindet mehr als 20 Jahre Erfahrung in IT, Digitalisierung und Unternehmensstrategie mit einem starken Fokus auf die Skalierung KI-gestützter Entwicklung im automobilen Engineering.
© 2023 IAV GmbH / Foto: Sonja Hornung
Künstliche Intelligenz verspricht – sofern korrekt eingesetzt – erhebliche Produktivitätsgewinne in der automobilen Softwareentwicklung, von der Anforderungsanalyse über Architektur und Programmierung bis hin zu Test und Validierung. Die entscheidende Frage ist jedoch, ob KI den Schritt über isolierte Pilotanwendungen hinaus schafft und zuverlässig in bestehende Entwicklungsprozesse eingebettet werden kann. Saskia Kohlhaas, CDO und Executive Vice President IT bei IAV, treibt diese Transformation voran, indem sie IT als strategischen Enabler für Innovation und Effizienz positioniert.
Auf der kommenden Automotive Software Strategies Conference in München wird sie den Vortrag „From IT to AI - At Scale: An Approach for AI-Infused Engineering“ halten und darlegen, wie KI-unterstützte Entwicklung über Organisationen, Plattformen und Entwicklungsabläufe hinweg skaliert werden kann. In diesem Interview erläutert sie, wo die größten Herausforderungen liegen und warum der Erfolg weniger von einzelnen Modellen als von Integration, Governance und Vertrauen abhängt.
ADT: Wenn wir drei bis fünf Jahre nach vorne blicken, was wird dann die größte Herausforderung bei der Skalierung von KI-unterstützter Softwareentwicklung in der Automobilentwicklung sein?
Kohlhaas: Die größte Herausforderung in den nächsten Jahren wird der Übergang von einzelnen KI-Anwendungsfällen hin zu einer skalierbaren und verlässlichen Integration über den gesamten Engineering-Lebenszyklus sein. In der Automobilentwicklung arbeiten wir in einem stark regulierten und komplexen Umfeld. Das bedeutet, KI kann keine isolierte Fähigkeit bleiben. Sie muss in bestehenden Toolchains, Prozessen und Kollaborationsstrukturen funktionieren und dieselben Erwartungen in Bezug auf Qualität, Sicherheit, Rückverfolgbarkeit, IP-Schutz und Cybersicherheit erfüllen wie alle anderen Teile des Systems. Heute sehen wir noch sehr viel Experimentieren an den Rändern. Die eigentliche Veränderung setzt ein, wenn KI zu einem Teil der Art und Weise wird, wie Engineering-Arbeit tatsächlich End-to-End erledigt wird – über verschiedene Projekte, Standorte und Partner hinweg. Die Skalierung von KI hat letztlich weniger mit der Modellleistung zu tun, sondern mehr mit Integration, Governance und der Fähigkeit, diese Systeme in großem Maßstab stabil und vertrauenswürdig zu betreiben.
Welche technologische Fähigkeit wird die Zukunft von KI-gestützten Engineeringprozessen am stärksten prägen?
Eine Schlüsselfähigkeit werden KI-Systeme sein, die im Kontext über verschiedene Schritte des Engineering-Lebenszyklus hinweg arbeiten können. In der Praxis sehen wir KI derzeit noch überwiegend in relativ isolierten Rollen, zum Beispiel als Coding-Assistenten oder für einzelne Aufgaben. Der eigentliche Wandel beginnt, wenn KI die Zusammenhänge zwischen Anforderungen, Architektur, Implementierung und Validierung versteht und innerhalb dieses Kontexts agieren kann. Entscheidend ist dabei weniger eine einzelne Technik, sondern die Fähigkeit, KI mit strukturiertem Engineeringwissen zu kombinieren und sie in komplexen Entwicklungsumgebungen zuverlässig nutzbar zu machen, wie wir es in fortgeschrittenen Engineering-Setups bereits sehen.
Wie kann KI helfen, digitale Plattformen und Engineeringprozesse über die SDV-Wertschöpfungsketten hinweg zu verbinden?
KI kann eine wichtige Rolle als verbindendes Element über fragmentierte Tools und Daten in der Engineeringlandschaft hinweg spielen. In vielen Organisationen sind Informationen weiterhin über verschiedene Systeme und Domänen verteilt. Das erschwert Konsistenz und Nachverfolgbarkeit. KI hilft, diese Lücke zu verringern, indem sie mit diesen Daten integrierter arbeitet und die Abstimmung zwischen Anforderungen, Design, Software und Testing unterstützt. Besonders relevant ist im Kontext von softwaredefinierten Fahrzeugen das Thema Kontinuität. Engineering ist nicht länger eine Abfolge isolierter Schritte, sondern ein kontinuierlicher Fluss, in dem Informationen über den gesamten Lebenszyklus hinweg gepflegt und aktualisiert werden.
Wo sehen Sie heute die größten Produktivitätsgewinne durch KI in der automobilen Softwareentwicklung?
Wir sehen bereits heute Produktivitätsgewinne, insbesondere wenn KI über den gesamten Ablauf von den Anforderungen bis hin zur Implementierung und zum Testen eingesetzt wird. KI kann helfen, erste Anforderungen in hochwertigere, strukturierte Spezifikationen zu überführen und anschließend die Ableitung von Architekturen, Softwarekomponenten und Testfällen zu unterstützen. Dazu gehört auch der Einsatz von Coding Agents, etwa um effektiver mit bestehendem Legacy-Code zu arbeiten und Aufgaben zu übernehmen, die traditionell einen hohen manuellen Aufwand erforderten. Entscheidend ist dabei weniger die Optimierung einzelner Schritte als vielmehr der Effekt, wenn die gesamte Kette stärker vernetzt und konsistent wird. Genau hier sehen wir bereits messbare Verbesserungen bei Liefergeschwindigkeit und Gesamtproduktivität.
Wie müssen sich Entwicklungsorganisationen weiterentwickeln, um KI erfolgreich in ihre Entwicklungs-Workflows zu integrieren?
Organisationen müssen sich von isolierten Experimenten mit KI-Tools hin zu einer systematischeren Integration in die Entwicklungs-Workflows bewegen. Dazu braucht es Klarheit darüber, wo KI in den Kernprozessen Wert schafft, aber auch konsequente Befähigung, damit Ingenieurinnen und Ingenieure im Arbeitsalltag tatsächlich mit diesen Tools arbeiten können. Gleichzeitig braucht es klare Verantwortlichkeiten für die Plattformen und Fähigkeiten, die dies ermöglichen, damit sie sich im Zeitverlauf strukturiert weiterentwickeln und über Projekte und Organisationen hinweg skalieren können. Insgesamt ist der entscheidende Wandel der Schritt weg vom Experimentieren mit KI-Tools hin zur systematischen Integration von KI in die Art und Weise, wie Entwicklungsarbeit ausgeführt und verbessert wird.
Welche Rolle spielen digitale Plattformen für die Realisierung intelligenter, wertschöpfender Entwicklungsprozesse?
Digitale Plattformen sind essenziell, weil sie Entwicklungsdaten in großem Maßstab zugänglich, nutzbar und verarbeitbar machen. Sie schaffen die Grundlage dafür, Daten über Tools und Domänen hinweg zu verknüpfen und aus fragmentierten Informationen eine konsistente und nutzbare Wissensbasis zu machen. Genau das ermöglicht es KI letztlich, in komplexen Umgebungen sinnvolle Ergebnisse zu liefern. In diesem Sinne sind Plattformen nicht nur Infrastruktur, sie sind das Rückgrat datengetriebener und KI-unterstützter Entwicklung.
Abschließend: Was erhoffen Sie sich persönlich von der Automotive Software Strategies Conference in München mitzunehmen?
Mich interessiert besonders der Austausch darüber, wie Unternehmen KI in der Praxis im Engineering voranbringen, was funktioniert, was nicht und wo tatsächlich Fortschritte erzielt werden. Der Wert der Konferenz liegt für mich darin, aus unterschiedlichen Ansätzen zu lernen, konkrete Herausforderungen zu diskutieren und Kontakte zu knüpfen, die helfen, das Thema gemeinsam weiterzuentwickeln und Erkenntnisse in praktische Wirkung zu übersetzen.
