Herr Dr. Schlemmer, es ist noch nicht allzu viel Zeit vergangen, seitdem KI-Chatbots in der Industrie eingezogen sind. Nun sprechen wir schon über agentenbasierte KI (Agentic AI). Was kann Agentic AI, was ein KI-Chatbot nicht kann?
Dr. Matthias Schlemmer: Der entscheidende Unterschied ist das (teil-)autonome Handeln. Während ein Chatbot auf Anfrage eine Information liefert, kann ein KI-Agent ein Ziel verfolgen, die nötigen Schritte dazu planen, auf Systeme und Datenquellen zugreifen und letztlich Aufgaben eigenständig ausführen. Ein konkretes Beispiel aus dem Aftermarket-Umfeld wäre: Ein Kundenchatbot auf der Webseite kann auf Basis der vom Kunden eingegebenen Modellbeschreibung den richtigen Bremssattel empfehlen. Ein KI-Agent könnte nun darüber hinaus autonom die Verfügbarkeit im Lager prüfen, Lieferanten vergleichen, eine Bestellung auslösen und den Werkstatttermin vorschlagen. So wird aus einem Gesprächspartner ein ausführender Akteur.
Laut einer aktuellen Untersuchung von Strategy& verändern autonom handelnde KI-Agenten den Handel grundlegend. Einkauf, Logistik und Verkauf sollen mit ihnen zunehmend in Echtzeit gesteuert werden können. Wie verändert dieser Agentic Commerce die Arbeitsweise im Automotive Aftermarket, insbesondere bei Werkstätten?
Dr. Matthias Schlemmer: Agentic Commerce im weiteren Sinn, also die Nutzung von KI-Agenten in den Unternehmensprozessen, funktioniert überall dort besonders gut, wo Prozesse wiederkehrend sind und einen klar definierten Output erzeugen sollen. Im Automotive Aftermarket gibt es viele solcher Prozesse, wodurch sich auch der Einsatz agentischer KI eignet. Beispiele reichen von der Teile-Identifikation über Preisvergleiche bis hin zu Bestellungen und Terminierungen. Da dies vor allem eine spürbare Erleichterung bei den administrativen Tätigkeiten bedeutet, heißt das im Umkehrschluss, dass mehr Zeit für die eigentliche Wertschöpfung bleibt, an der Hebebühne. Spannend finde ich persönlich auch, dass lernende Modelle die Idee des Predictive Maintenance wieder aufleben lassen. Agenten können Verschleiß erkennen und den Servicebedarf proaktiv anstoßen, was ein guter Hebel für Kundenbindung und damit wiederkehrende Umsätze bedeutet.
Eine Erhebung von Wolk & Nikolic After Sales Intelligence zeigt zudem, dass für 70 Prozent der Werkstätten die nahtlose Einbindung in bestehende Werkstattsysteme ein entscheidendes Kaufkriterium für KI-Software ist, noch weit vor dem Kaufpreis. Steht die Branche beim KI-Einsatz also weniger vor einer Akzeptanzhürde, als vielmehr vor einem Integrationsproblem?
Dr. Matthias Schlemmer: Ich denke die Beobachtung ist richtig. Der Nutzen wird über alle Industrien hinweg gesehen und die anfängliche Skepsis weicht der Überzeugung, dass, wenn richtig eingesetzt, signifikante Effizienzgewinne möglich sind. Entscheidend ist dabei auch das Thema Integration, also Anschlussfähigkeit. Wenn KI nicht sauber auf Daten zugreifen kann und in Warenwirtschaft und Teilekatalogen integriert wird, erzeugt sie eher Mehraufwand und Mitarbeiter werden im Zweifelsfall auf alte Prozesse zurückfallen. Wir sehen darin auch eine klare Aufforderung an Anbieter: Offene Schnittstellen und Interoperabilität sind nicht nur ein technisches Thema, sondern zunehmend Kaufargument für KI-Lösungen.
Sie haben an anderer Stelle betont, dass es meist mehrere Jahre dauert, bis KI-Projekte einen signifikanten Return on Investment zeigen. Auch müsste KI tief in der gesamten Wertschöpfungskette verankert und sowohl das Geschäftsmodell als auch die Organisation entsprechend umgestaltet werden. Das hört sich so an, als würde ein enormer Aufwand dahinter stecken. Bedeutet das im Umkehrschluss, dass sich Agentic AI vorerst nur für Teilegroßhändler und Ketten lohnt und für kleine freie Werkstätten der Aufwand zu groß ist?
Dr. Matthias Schlemmer: Das ist mehrschichtig zu betrachten. Für große Unternehmen, die komplexe Prozesse „KI-first“ neu denken und gestalten, ist das aufwändig, aber langfristig steckt viel Potenzial darin. Kleinere Unternehmen haben andererseits die Möglichkeit, schneller und agiler neu zu arbeiten, können also auch schneller Erfolge durch KI sehen. Wahr ist jedenfalls, dass wir eine gewisse Ernüchterung wahrnehmen, dass KI selten eine einfache „Plug & Play“-Lösung ist. Eine unserer globalen Studien zeigt, dass sich die wirklichen Erfolge mit der Verankerung in der Wertschöpfskette manifestiert, also durch eine breite und tiefe Anwendung von KI. Für kleine Werkstätten muss es aber gar keine große Eigenlösung sein, hier kommen auch "Agentic AI as a service“-Lösungen, eingebettet in Plattformen, die ohnehin schon genutzt werden, in Frage. Die Auswahl des richtigen Partners und das frühe Sammeln von Erfahrungen ist entscheidend.
Ohne qualitativ hochwertige Daten können KI-Systeme nicht präzise arbeiten. Wie baut man im Aftermarket eine wirklich ‚agent-ready‘ Datenbasis auf?
Dr. Matthias Schlemmer: Datenqualität ist in der Tat eines der wesentlichsten Themen und für viele Unternehmen quer über Industrien hinweg eine Herausforderung. Einfach gesprochen läuft es auf die Frage der Verfügbarkeit, Qualität, Aktualität aber auch Agenten-nutzbare Struktur hinaus. Produkt- und Teilestämme müssen sauber sein, Kundenhistorien gepflegt. Maschinenlesbare Formate, also gepflegte Datenbanken statt eingescannte Handzettel, sind hier ebenso wichtig wie offene Schnittstellen zu den Systemen. Der Start ist hier wiederum eine Bestandsaufnahme, wobei wir auch ein „Use-Case-getriebenes Vorgehen“ empfehlen, also nicht alle Daten sofort zu reinigen, sondern dort zu beginnen, wo ich meine erste KI-Lösung testen möchte. Unsere Erfahrung zeigt auch, dass es Sinn macht, Datenverantwortliche zu nominieren, da gepflegte Daten nicht eine Einmal- sondern eine Daueraufgabe sind.
Wenn KI-Agenten eigenständig handeln und dabei Zugriff auf sensible Ressourcen wie Zahlungsdaten oder Lieferadressen erhalten: Wie definiert man die Grenzen ihrer Autonomie, also wo die KI alleine entscheidet und wo zwingend ein Mensch freigeben muss? Was passiert bei Fehlern der Agentic AI?
Dr. Matthias Schlemmer: Hier ist ein Risiko-basiertes Vorgehen empfehlenswert. Grob gesprochen ist der menschliche Freigabeschritt, der sogenannte „Human-in-the-Loop“, immer wichtiger, je höher das Risiko ist – das kann finanzieller Natur aber auch hinsichtlich Reputation oder Sicherheit zu definieren sein. Wenn ich Routinebestellungen habe, die in einem definierten Budgetrahmen ablaufen, kann der Agent eigenständig auslösen, zum Beispiel auf Basis von Lagerstands- und Kundenbestelldaten. Hohe Auftragssummen freizugeben oder Vertragsabschlüsse mit neuen Lieferanten zu tätigen, wären hingegen Beispiele für die Notwendigkeit menschlicher Intervention. Der Schlüssel sind sauber überlegte Rahmenbedingungen und Leitplanken: Budgetgrenzen, Protokollierungsanforderungen und die Möglichkeit der Nachvollziehbarkeit. Denn es ist sehr wichtig im Hinterkopf zu behalten, dass bei Fehlern der Agentischen KI dennoch das Unternehmen in der Verantwortung bleibt und diese nicht auf den Algorithmus abgewälzt werden kann. Governance ist daher von Anfang an mit einzubauen, auch als Voraussetzung für Vertrauen in die KI.
Wie anfällig sind KI-Agenten im Beschaffungsprozess für Manipulationen, etwa durch Fake-Websites oder gefälschte Produktdaten?
Dr. Matthias Schlemmer: Das ist in der Tat ein ernstzunehmendes Risiko. Agenten, die autonom Quellen im Netzwerk auswerten, können getäuscht werden, auch auf andere Art, als dies beim Menschen der Fall ist. Was einem menschlichen Einkäufer eigenartig vorkommt, könnte von einem Agenten als legitime Quelle eingestuft werden und direkte negative finanzielle Folgen haben. Agenten sollten also erstmal bevorzugt in einem kuratierten Datenumfeld unterwegs sein, zum Beispiel in verifizierten, geschlossenen Lieferantennetzwerken, beziehungsweise über wohl überlegte Anomalie-Erkennung, Freigabeschwellen und eben auch „Human-in-the-Loop" gesteuert werden. Etablierte Händler haben hier eine gute Chance. Sie können sich als vertrauenswürdige, geprüfte Instanz gegenüber generischen Plattform-Agenten positionieren.
Zum Abschluss: Wenn ein mittelständisches Unternehmen oder ein Werkstattnetzwerk heute Agentic AI einführen möchte: Wie sähen erste Schritte aus?
Dr. Matthias Schlemmer: Wesentlich ist klein, aber konkret anzufangen: klar abgegrenzter Anwendungsfall, mit hohem Wiederholungsgrad und aktuell hohem manuellen Aufwand. Das könnte zum Beispiel die automatisierte Teilebeschaffung oder die Terminvereinbarung sein. Darauf folgt die Prüfung der Datenverfügbarkeit und die Möglichkeiten der Integration in die bestehenden Systeme. Zu guter Letzt folgt die Frage nach dem richtigen Technologiepartner, denn eine Eigenentwicklung ist meist für kleine Unternehmen schwierig. „Test and learn“ ist bei KI wichtig, das heißt Erfahrungen sammeln, Erfolge messen und dann skalieren. Wer heute startet hat einen Erfahrungsvorsprung.