Mit KI im Automobilbereich lässt sich ein Vermögen verdienen – und es gibt zahlreiche Möglichkeiten, es zu verschwenden.
McKinsey schätzt, dass agentische KI bis 2030 in fortschrittlichen Branchen einen zusätzlichen Jahresumsatz von 450 bis 650 Milliarden US-Dollar generieren könnte, wobei die Automobilbranche zu den Sektoren gehört, die davon profitieren dürften. Dann gibt es noch eine andere Zahl. Gartner geht davon aus, dass bis Ende 2027 mehr als 40 Prozent der Projekte im Bereich der agentischen KI eingestellt werden. Das Problem sind steigende Kosten, unklarer geschäftlicher Nutzen und unzureichende Kontrollmechanismen – und nicht etwa ein Versagen der Technologie.
450–650 Mrd. US-Dollar
Der jährliche Umsatz, den KI in fortschrittlichen Branchen bis 2030 generieren könnte, wobei die Automobilbranche zu den Sektoren gehört, die davon profitieren dürften
McKinsey
40 %+
Anteil der Projekte im Bereich der agentenbasierten KI, deren Einstellung bis Ende 2027 erwartet wird
Gartner
Betrachtet man diese beiden Zahlen im Zusammenhang, rückt die eigentliche Frage in den Fokus. Die Debatte darüber, ob die Automobilbranche KI einführen sollte, ist entschieden. Die offene Frage ist, ob ein Unternehmen die Grundlagen schafft, um KI in großem Maßstab nutzbar zu machen, oder ob es lediglich weitere Tools anschafft und hofft, dass sich daraus etwas ergibt.
Ich habe KI in 25 Märkten unter Seez eingeführt, und eine Erkenntnis hat sich in jedem einzelnen davon bestätigt: Die Technologie selbst ist selten das Schwierige. Das Schwierige ist alles, was damit zusammenhängt.
Der Markt hat mit einer gewissen KI-Müdigkeit zu kämpfen
Wenn ich heute mit Geschäftsführern von Autohäusern spreche, spüre ich eine vertraute Erschöpfung. Jeder Anbieter hat mittlerweile ein KI-Produkt im Angebot, und bei den meisten handelt es sich um Chatbots mit einem neuen Namen oder einer dünnen Automatisierungsschicht, die auf etwas bereits Bestehendem aufgesetzt wurde. Viele Führungskräfte interpretieren diese Erschöpfung als Reaktion auf einen Überfluss an KI, was jedoch völlig am Kern des Problems vorbeigeht.
Händler haben nicht genug von KI. Sie haben genug von isolierten Technologien, die Intelligenz versprechen und ihnen letztlich nur ein weiteres System aufbürden, das sie verwalten müssen.
Betrachten wir einmal, was in der Praxis passiert. Ein Autohaus kauft einen Chatbot von einem Anbieter, ein Tool zur Lead-Pflege von einem anderen, ein System für Wartungserinnerungen von einem dritten und eine App zur Kundenbindung von einem vierten. Jedes dieser Systeme löst ein eng gefasstes Problem und bringt sein eigenes Dashboard, seinen eigenen Datensilo, eigene Schulungen und eine vierteljährliche Rechnung mit sich. Die Teams wollten automatisierten Support, um Zeit zu sparen. Stattdessen erhielten sie vier weitere Systeme, die sie verwalten mussten, und hatten weniger Zeit, sich um die Kunden zu kümmern.
Die Ermüdung rührt von der Fragmentierung selbst her. Wenn KI als eine weitere, isolierte Punktlösung eingeführt wird, verursacht sie zusätzliche Reibungsverluste, anstatt diese zu beseitigen. Der Haken daran ist, dass jedes dieser Tools nur das sehen kann, was im eigenen System gespeichert ist. Ein Chatbot, der mit einem Kunden spricht, hat keine Ahnung, um welches Auto es sich handelt, während ein Tool im CRM Anrufe tätigt, ohne Einblick in den Lagerbestand, die Finanzen oder die Servicehistorie zu haben. Jedes einzelne von ihnen arbeitet nur mit einem Bruchteil des Gesamtbildes.
Wenn Ihr Kunde seine Geschichte jedes Mal wiederholen muss, wenn er vom Chatbot zu einem Kundenberater wechselt, ist die KI keine Hilfe. Sie sorgt lediglich für Unruhe.
KI, die hilft, vs. KI, die handelt
Die eigentliche Trennlinie verläuft zwischen KI, die Menschen unterstützt, und KI, die die Arbeit eigenständig erledigt.
Generative KI
Er verfasst die Folge-E-Mail und wartet darauf, dass jemand sie versendet.
Operative KI
Prüft die Eignung des Interessenten, aktualisiert den Datensatz, vereinbart den Termin und zieht erst dann einen Mitarbeiter hinzu, wenn die Situation dies wirklich erfordert.
Bei dem einen Ansatz wird eine Aufgabe zur Liste einer Person hinzugefügt, beim anderen wird sie daraus entfernt.
Was operative KI handlungsfähig macht, ist genau das, was den fragmentierten Tools nie zur Verfügung stand: ein ganzheitlicher Überblick über das Unternehmen. Die Autohäuser, die echten Mehrwert erzielen, verfügen selten über das ausgefeilteste Modell. Was sie haben, ist eine KI, die einen Überblick über Vertrieb, Service, Ersatzteile, Finanzierung und die Kundenhistorie bietet und auf all diese Bereiche reagieren kann. Datenvernetzung ist kein IT-Detail. Sie entscheidet darüber, ob Ihre KI immer intelligenter wird oder still und leise an ihre Grenzen stößt.
Führungskräfte, die überlegen, wofür sie in den nächsten zwei Jahren Mittel ausgeben sollen, können jedes Produkt anhand von drei Kriterien prüfen:
- TransparenzDas Tool muss die Daten, die hinter einer Entscheidung stehen, tatsächlich erkennen können und darf nicht jedes Mal blind loslegen.
- GovernanceJemand muss entscheiden, womit sich die KI befassen darf und wann ein Mensch wieder eingreifen muss.
- Echter NutzenEs sollte bereits im ersten Monat der Nutzung Zeit sparen oder Geld einbringen – und nicht nur in einer Demo gut aussehen.
Die meisten Projekte, die ins Stocken geraten, scheitern niemals am KI-Modell. Die Schwachstellen zeigen sich in einem dieser drei Bereiche, lange bevor jemand der Technologie die Schuld gibt.
Wie das in der Praxis aussieht
Anstatt eine weitere eigenständige Funktion hinzuzufügen, haben wir CARS unter Seez als native KI-Ebene konzipiert, die direkt in die „Pinewood.AI “-Plattform und die Kernsysteme der Autohäuser integriert ist. Es setzt vier spezialisierte Agenten ein (Connect, Assist, Reachund Serve), um einen durchgängigen Arbeitsablauf über die gesamte Customer Journey hinweg zu gewährleisten. Die Anzahl der Agenten ist weniger entscheidend als die Tatsache, dass sie auf dieselben Daten und denselben Kontext zugreifen. Der Agent, der einen neuen Interessenten bearbeitet, hat denselben Überblick wie derjenige, der Monate später einen Servicetermin vereinbart.
Und so funktioniert das im Alltag:
- Im VertriebWenn ein Lead in das Lead-Management-System (LMS) eingeht, bearbeiten die KI-Agenten die Anfrage unter Einhaltung der strukturierten Regeln des Deal-Files. Obligatorische Unterlagen, Finanzanforderungen und Unterschriftskontrollen werden automatisch auf der Grundlage der Transaktionsparameter angewendet.
- Im KundendienstWenn die KI-Agenten Wartungsmitteilungen versenden, werden die Kundenhistorie und die aktuellen Werkstattdaten sofort abgeglichen. Kunden können über ein Online-Check-in-Portal Details einsehen und relevante Optionen auswählen, wodurch die Kernplattform aktualisiert wird, noch bevor sie das Autohaus betreten.
Durch die Nutzung vernetzter Daten und klarer Geschäftsregeln erhält die KI einen echten Kontext, auf den sie sich stützen kann, und muss weitaus seltener Vermutungen anstellen – auch wenn keine Integration die KI perfekt macht.
Unser Ziel war einfach. Wir wollten den Teams in den Autohäusern nicht noch eine weitere Aufgabe aufbürden. Wir wollten, dass die KI die sich wiederholenden Aufgaben in den Systemen übernimmt, die sie ohnehin bereits nutzen.
Architektur geht vor Geschwindigkeit
Viele Führungskräfte betrachten KI als einen Sprint und gehen davon aus, dass Early Adopters automatisch die Nase vorn haben, doch die Fakten sprechen eine andere Sprache. Die Autohäuser, die in diesem Jahrzehnt erfolgreich sein werden, sind diejenigen, die ein solides Fundament schaffen und KI als eine operative Fähigkeit betrachten, die auf integrierten Systemen, reibungslosen Arbeitsabläufen und strengen Steuerungsmechanismen basiert. Diese Grundlagen entscheiden darüber, ob sich Investitionen verzinsen oder ins Stocken geraten.
Wenn ich den gesamten Test auf eine Zeile zusammenfassen müsste, wäre es diese.
Ihre KI ist nur so gut wie die Daten, auf die sie Zugriff hat, die Arbeitsabläufe, auf die sie zugreifen kann, und die Maßnahmen, die sie ergreifen kann.
Die 650 Milliarden Dollar sind real, ebenso wie die 40 Prozent, die dieses Ziel niemals erreichen werden. Was beide voneinander unterscheidet, ist die Qualität des Fundaments, auf dem dieses ehrgeizige Ziel ruht.
Quellen: Umsatzzahlen von McKinsey,„Empowering advanced industries with agentic AI“. Prognose zu Projektstornierungen aus der Pressemitteilung von Gartner,„Gartner prognostiziert, dass bis Ende 2027 über 40 % der Projekte im Bereich agentischer KI gestrichen werden“, 25. Juni 2025.
Sind Sie bereit, das Fundament zu legen, anstatt nur noch mehr Werkzeuge zu kaufen?
Teilen Sie uns mit, wo Ihr Autohaus derzeit steht, und unser Team zeigt Ihnen, wie vernetzte, einsatzbereite KI in Ihren Bereichen Vertrieb, Service und Kundenerlebnis aussehen könnte.
