Autonomes Fahren, Zulieferermacht und die neue Abhängigkeit der Autoindustrie

Moderne Fahrzeuge sind längst keine rein mechanischen Produkte mehr. Sie sind rollende Sensornetzwerke, softwaredefinierte Rechnerplattformen und zunehmend auch Datensammler im öffentlichen Raum. Besonders deutlich wird dieser Wandel bei Fahrerassistenzsystemen und autonomen Fahrfunktionen. Was früher als Komfortausstattung begann – Tempomat, Spurhalteassistent, Einparkhilfe – entwickelt sich zu einem strategischen Kernbereich der Automobilindustrie. Entscheidend ist nicht mehr allein, wer Motoren, Fahrwerke oder Karosserien beherrscht. Entscheidend wird, wer Sensorik, Rechenleistung, Software, Karten, Trainingsdaten, Cloud-Infrastruktur und Updates kontrolliert.

Damit verschiebt sich die Machtbalance. Automobilhersteller bleiben zwar Markeninhaber, Systemintegratoren und rechtlich verantwortliche Fahrzeuganbieter. Doch ein wachsender Teil der Wertschöpfung entsteht bei Halbleiterherstellern, Softwareunternehmen, Kartendiensten, Cloudanbietern, Lidar-Spezialisten und klassischen Tier-1-Zulieferern. Die Frage lautet daher nicht nur: Wie gut fährt ein Assistenzsystem? Sondern: Wer sieht was, wer speichert was, wer wertet es aus – und wer kann aus diesen Daten die nächste Generation automatisierter Fahrfunktionen entwickeln?

Vom Fahrzeug zum Datensystem

Ein modernes Fahrzeug mit fortgeschrittenem Fahrerassistenzsystem sammelt eine Vielzahl technischer, räumlicher und verhaltensbezogener Daten. Dazu gehören Kamerabilder, Radarsignale, Lidarpunktwolken, Ultraschalldaten, GPS- und GNSS-Positionen, Fahrspurverläufe, Verkehrszeichen, Ampeln, Straßengeometrie, Geschwindigkeit, Beschleunigung, Bremsdruck, Lenkwinkel, Abstandswerte, Reifenzustand, Witterungs- und Lichtverhältnisse, Fehlermeldungen, Fahrerinterventionen, Blickrichtung des Fahrers, Hände-am-Lenkrad-Erkennung, Telemetrie, Diagnosedaten und Ereignisdaten rund um kritische Fahrsituationen.

Nicht jedes Fahrzeug sammelt all diese Daten dauerhaft. Nicht jede Marke überträgt dieselben Daten in die Cloud. Und nicht jede Information ist personenbezogen im engeren Sinne. Doch in der Praxis können Standortdaten, Fahrprofile, Nutzungszeiten, Zielorte, Videodaten oder Innenraumdaten sehr schnell Rückschlüsse auf Fahrer, Halter, Mitfahrer oder regelmäßige Gewohnheiten erlauben. Deshalb behandelt der Europäische Datenschutzausschuss vernetzte Fahrzeuge ausdrücklich als datenschutzrelevantes Umfeld und hat eigene Leitlinien zur Verarbeitung personenbezogener Daten im Kontext vernetzter Fahrzeuge und Mobilitätsanwendungen veröffentlicht. (EDPB)

Der technische Zweck dieser Daten ist zunächst nachvollziehbar: Ein Assistenzsystem muss erkennen, was sich um das Fahrzeug herum befindet. Es muss die eigene Position bestimmen, Fahrspuren verstehen, Objekte klassifizieren, Bewegungen vorhersagen und in Sekundenbruchteilen entscheiden, ob es bremst, lenkt, warnt oder beschleunigt. Doch dieselben Daten sind auch strategischer Rohstoff. Sie dienen der Fehleranalyse, der Modellverbesserung, dem Training neuronaler Netze, der Kartenerstellung, der Simulation seltener Szenarien und dem Nachweis gegenüber Behörden, Versicherern oder Gerichten.

Assistenzsystem ist nicht autonomes Fahren

Eine sachliche Analyse beginnt mit einer begrifflichen Trennung. Die SAE-Klassifikation beschreibt sechs Automatisierungsstufen von Level 0 bis Level 5. Level 0 bedeutet keine Fahr­automatisierung, Level 1 einzelne Assistenzfunktionen, Level 2 teilautomatisiertes Fahren mit gleichzeitiger Längs- und Querführung, aber permanenter Fahrerüberwachung. Level 3 erlaubt bedingt automatisiertes Fahren in einem klar definierten Einsatzbereich, wobei das System die Fahraufgabe übernimmt, der Fahrer aber auf Aufforderung wieder übernehmen muss. Level 4 beschreibt hochautomatisiertes Fahren ohne menschliche Rückfallebene innerhalb eines definierten Betriebsbereichs. Level 5 wäre vollständige Automatisierung unter praktisch allen Bedingungen. Die SAE selbst definiert diese Stufen als Taxonomie von Level 0 bis Level 5. (sae.org)

Der Unterschied ist nicht akademisch, sondern haftungs- und datenpolitisch entscheidend. Bei Level 2 bleibt der Mensch verantwortlich. Das System assistiert. Bei Level 3 übernimmt das System in bestimmten Situationen die dynamische Fahraufgabe. Daraus folgt ein höherer Bedarf an Nachweisbarkeit, Sensorredundanz, Systemprotokollen und rechtlich belastbarer Ereignisdokumentation. Bei Level 4 – etwa im Robotaxi-Betrieb – muss das System in seinem definierten Einsatzgebiet ohne menschlichen Fahrer sicher funktionieren. Dann werden Flottenbetrieb, Fernüberwachung, kontinuierliche Datenanalyse und regulatorische Freigaben noch wichtiger.

Sensorik: Die Augen, Ohren und Nerven des automatisierten Fahrzeugs

Die meisten Systeme kombinieren mehrere Sensorklassen. Kameras erkennen Fahrspuren, Verkehrszeichen, Ampeln, Fahrzeuge, Fußgänger, Radfahrer, Baustellen und Gesten. Radar misst Abstände und Relativgeschwindigkeiten robust bei Regen, Nebel oder Dunkelheit. Lidar erzeugt hochpräzise dreidimensionale Punktwolken der Umgebung. Ultraschallsensoren arbeiten im Nahbereich beim Parken. GNSS liefert globale Positionierung, Inertialsensorik ergänzt Bewegungsdaten, wenn Satellitensignale ungenau sind. Hochleistungsrechner verarbeiten die Daten in Echtzeit, während zentrale Fahrzeugcomputer zunehmend mehrere Domänen bündeln.

Tesla verfolgt im Kern eine stark kamerabasierte Strategie. Waymo setzt dagegen ausdrücklich auf eine Kombination aus Kameras, Radar und Lidar für seinen „Waymo Driver“. Waymo beschreibt seine Fahrzeuge als Systeme, die mithilfe von Sensoren und Software ihre Umgebung verstehen und autonom fahren; auf den eigenen Seiten nennt Waymo Kameras, Radar und Lidar als Bestandteile der autonomen Fahrtechnologie. (Waymo)

Mercedes-Benz, BMW, Volvo/Polestar und mehrere chinesische Hersteller setzen bei höherwertigen Funktionen zusätzlich auf Lidar oder bereiten solche Architekturen vor. Mercedes-Benz Drive Pilot arbeitet als Level-3-System unter sehr eng definierten Bedingungen und ist damit ein Beispiel für einen stark regulierten, redundanzorientierten Ansatz. Mercedes verweist auf die Genehmigung nach UN-R157 und auf in Deutschland zugelassene Autobahnabschnitte für den Einsatz des Systems. (Mercedes-Benz Group)

Die Hardware allein entscheidet jedoch nicht. Ein Lidar macht ein Fahrzeug nicht autonom. Eine Kamera macht ein System nicht intelligent. Entscheidend ist die Softwarearchitektur: Wahrnehmung, Sensorfusion, Objektklassifikation, Bewegungsprognose, Fahrpfadplanung, Entscheidungslogik, Sicherheitsmonitoring und Updatefähigkeit.

Software als eigentlicher Machtfaktor

Die Software moderner Fahrassistenzsysteme besteht aus mehreren Schichten. Die Wahrnehmungsschicht verarbeitet Sensorrohdaten. Die Fusionsebene kombiniert Kamera, Radar, Lidar, Ultraschall, Karten und Positionsdaten. Die Prädiktion schätzt, wie sich andere Verkehrsteilnehmer verhalten könnten. Die Planungssoftware berechnet mögliche Fahrpfade. Die Kontrollschicht setzt diese Entscheidungen in Lenk-, Brems- und Beschleunigungsbefehle um. Hinzu kommen Sicherheitsmonitore, Fahrerüberwachung, Diagnosesysteme, Cybersecurity-Funktionen, Over-the-Air-Update-Mechanismen und Cloud-basierte Entwicklungsumgebungen.

Das Fahrzeug entscheidet also nicht „intuitiv“. Es arbeitet auf Basis trainierter Modelle, mathematischer Regeln, Sensordaten, Validierung, Simulation und sehr eng definierter Betriebsgrenzen. Gleichzeitig werden neuronale Netze immer wichtiger. Sie können Objekte, Szenen, Fahrspuren und Verhaltensmuster erkennen, aber sie benötigen Daten: reale Fahrszenen, seltene Grenzfälle, fehlerhafte Eingriffe, Beinahe-Unfälle, Baustellen, ungewöhnliche Markierungen, schlechtes Wetter, verdeckte Verkehrsschilder, aggressives Fahrverhalten anderer Verkehrsteilnehmer.

Daraus ergibt sich die zentrale strategische Frage: Wer besitzt die Datenpipeline vom Fahrzeug in die Entwicklungsumgebung? Wer entscheidet, welche Szenen hochgeladen werden? Wer annotiert sie? Wer trainiert die Modelle? Wer validiert sie? Wer spielt Updates aus? Und wer trägt die Verantwortung, wenn ein Update ein sicherheitsrelevantes Verhalten verändert?

Nvidia positioniert seine DRIVE-Plattform nicht nur als Fahrzeugrechner, sondern als durchgehendes Ökosystem für autonomes Fahren von Level 2++ bis Level 4, einschließlich KI-Training, Simulation, Datenkuratierung und In-Vehicle-Computing. (NVIDIA) Qualcomm verfolgt mit Snapdragon Ride ebenfalls einen Plattformansatz für softwaredefinierte Fahrzeuge, automatisiertes Fahren, Konnektivität und Cloud-Anbindung. (Qualcomm)

Damit werden Halbleiterhersteller zu Systemarchitekten. Sie liefern nicht nur Chips, sondern Referenzplattformen, Software Development Kits, Sicherheitskonzepte und teilweise ganze Fahrfunktionen.

Strategien der Hersteller: Zwischen Eigenentwicklung und Plattformabhängigkeit

Tesla: Vertikale Integration und Flottendaten

Tesla ist der prominenteste Vertreter eines stark vertikal integrierten Ansatzes. Das Unternehmen kontrolliert Fahrzeugsoftware, Benutzeroberfläche, OTA-Updates, zentrale Rechnerarchitektur und einen großen Teil der Datenpipeline selbst. Tesla verweist in seinen Datenschutzinformationen darauf, Fahrzeug- und Nutzungsdaten zu erheben, zu verwenden und zu schützen, wobei die konkrete Datenfreigabe von Einstellungen, Region und Funktion abhängen kann. (Tesla)

Der Vorteil dieses Ansatzes liegt in der Geschwindigkeit: Tesla kann Software über die Flotte ausrollen, Daten aus realen Fahrsituationen nutzen und Systeme iterativ verbessern. Der Nachteil liegt im Risiko großer Versprechen. Besonders deutlich wird dies bei der Hardwarefrage. Aktuelle Berichte zu Teslas Q1-2026-Kommunikation beschreiben, dass ältere Fahrzeuge mit Hardware 3 nicht für unsupervised FSD ausreichen sollen und dafür Hardware 4 beziehungsweise neue Kameras benötigt würden. Das zeigt exemplarisch, dass Autonomie nicht beliebig per Software nachrüstbar ist, wenn Rechenleistung, Speicherbandbreite oder Sensorqualität nicht genügen. (The Verge)

Mercedes-Benz: Zertifizierte Automatisierung statt flächiger Beta-Logik

Mercedes-Benz setzt mit Drive Pilot auf einen juristisch und technisch enger gefassten Ansatz. Drive Pilot ist als Level-3-System für bestimmte Bedingungen ausgelegt, etwa auf freigegebenen Straßen, bei geeigneter Verkehrssituation und innerhalb definierter Geschwindigkeits- und Umweltgrenzen. Mercedes betont den regulatorischen Rahmen und die Erfüllung der UN-R157-Anforderungen. (Mercedes-Benz Group)

Das ist weniger spektakulär als großflächige Assistenzvermarktung, aber strategisch bedeutsam: Mercedes beansprucht nicht nur Fahrerassistenz, sondern in einem begrenzten Korridor systemische Verantwortung. Dadurch steigen Anforderungen an Sensorredundanz, Ereignisdaten, Softwarefreigabe, Haftungsmodell und Nachvollziehbarkeit. Zugleich zeigen Berichte Anfang 2026, dass Level-3-Systeme im Markt trotz technischer Reife nicht automatisch breite Akzeptanz finden und Hersteller ihre Einführung taktisch anpassen können. (electrive.com)

BMW: Kooperation mit Qualcomm und Level-3-Erfahrung

BMW kombiniert eigene Integrationskompetenz mit starken Technologiepartnern. In Deutschland bietet BMW seit 2024 den Personal Pilot L3 im 7er an, wie BMW selbst auf seiner Automated-Driving-Seite darstellt. (BMW Group) Gleichzeitig hat BMW mit Qualcomm den Snapdragon Ride Pilot vorgestellt, der im neuen BMW iX3 debütiert und von Qualcomm als skalierbares KI-fähiges System für ADAS bis Level 2+ beschrieben wird. Qualcomm nennt eine Validierung in mehr als 60 Ländern und eine geplante Erweiterung auf über 100 Länder im Jahr 2026. (Qualcomm)

BMWs Ansatz zeigt das Dilemma vieler Premiumhersteller: Man will die Marken- und Fahrerfahrung kontrollieren, benötigt aber externe Halbleiter-, Software- und Plattformkompetenz, um Geschwindigkeit und Skaleneffekte zu erreichen.

Volkswagen, Audi, Porsche: Cariad, Mobileye und der Plattformdruck

Der Volkswagen-Konzern steht exemplarisch für die Schwierigkeiten traditioneller Hersteller bei der Softwaretransformation. Cariad sollte konzernweite Softwarekompetenz bündeln, doch die Komplexität unterschiedlicher Marken, Plattformen und Altarchitekturen erwies sich als hoch. Deshalb intensivierte Volkswagen die Zusammenarbeit mit Mobileye. Volkswagen und Mobileye kündigten 2024 eine vertiefte Kooperation für automatisierte Fahrfunktionen in Serie an; Volkswagen ADMT nutzt Mobileye Drive für autonome ID.-Buzz-Flotten. (Volkswagen Group)

2025 folgte eine weitere Kooperation von Volkswagen mit Valeo und Mobileye für Level-2+-Funktionen auf MQB-Fahrzeugen. Valeo soll dabei Elektronik, Sensoren und Parkfunktionen liefern, Mobileye Kamera-, Radar- und Mapping-Technologien. (Mobileye)

Das reduziert Entwicklungsrisiken und beschleunigt Serienfähigkeit. Gleichzeitig entsteht Abhängigkeit von Zulieferplattformen. Wenn mehrere Hersteller ähnliche Mobileye-, Qualcomm- oder Nvidia-Bausteine nutzen, wird Differenzierung schwieriger. Der Wettbewerb verschiebt sich dann auf Integration, Bedienlogik, Datenzugang, Markenvertrauen und Updatepolitik.

General Motors: Vom Robotaxi-Traum zurück zu Super Cruise

General Motors ist ein warnendes Beispiel dafür, wie teuer autonome Ambitionen werden können. GM stoppte Ende 2024 die Finanzierung von Cruise als eigenständigem Robotaxi-Unternehmen und priorisierte stattdessen Super Cruise beziehungsweise autonome Funktionen für persönliche Fahrzeuge. (The Guardian)

Das zeigt: Robotaxi-Entwicklung, regulatorische Freigaben, Sicherheit, Flottenbetrieb, Fernüberwachung und öffentliche Akzeptanz sind kapitalintensiv. Für viele Hersteller ist der wirtschaftlich näherliegende Weg zunächst ein besseres Level-2- oder Level-2+-System für Privatfahrzeuge, nicht der unmittelbare Sprung zum fahrerlosen Dienst.

Ford: BlueCruise und kartierte Einsatzräume

Ford BlueCruise ist ein typisches Beispiel für „hands-free, eyes-on“ auf bestimmten Straßen. Ford beschreibt BlueCruise als freihändiges Fahrerassistenzsystem für Autobahnen und nennt über 130.000 Meilen sogenannter Hands-Free Blue Zones in Nordamerika. (https://www.ford.com/) Die Kartengrundlage ist strategisch bedeutsam: HERE beschreibt, dass seine Plattform Ford dabei unterstützt, Verfügbarkeitskarten für freihändiges Fahren zu erstellen. (here.com)

Hier wird sichtbar, dass automatisiertes Fahren nicht allein im Fahrzeug entsteht. Es hängt auch an hochgenauen Karten, Straßensegmentfreigaben, Geofencing und kontinuierlicher Aktualisierung.

Volvo und Polestar: Sicherheit, Lidar und Nvidia

Volvo und Polestar positionieren sich stark über Sicherheit. Der Volvo EX90 nutzt Nvidia DRIVE AGX Orin, und Nvidia verweist auf Pläne für zukünftige Volvo-Flotten mit DRIVE Thor und DriveOS. (NVIDIA) Polestar kündigte zudem für den Polestar 4 die Integration von Luminar-Lidar mit Mobileye Chauffeur an, um perspektivisch „eyes-off“-Funktionen auf Autobahnen zu ermöglichen. (media.polestar.com)

Gleichzeitig zeigen solche Fahrzeuge, wie komplex das Zusammenspiel mehrerer Technologiepartner wird: Nvidia für Rechner und Betriebssystemumgebung, Luminar für Lidar, Mobileye für Fahrsoftware, Google Android Automotive für Infotainment, Qualcomm in Teilbereichen der Digitalarchitektur. Die Marke bleibt Volvo oder Polestar, aber die technische Lieferkette ist hochgradig verteilt.

Toyota und Lexus: Konservative Skalierung

Toyota und Lexus verfolgen traditionell einen konservativen Sicherheitsansatz. Toyota Safety Sense beziehungsweise Toyota T-Mate bündelt Systeme zur Unfallvermeidung und Fahrerunterstützung. Toyota beschreibt Safety Sense als Technologien zur Vermeidung häufiger Unfallarten, Lexus spricht von kontinuierlich weiterentwickelten Sicherheits- und Assistenzfunktionen. (Toyota EU)

Toyota/Lexus Teammate und Advanced Drive zeigen, dass auch Toyota an höherwertigen Assistenzfunktionen arbeitet, aber mit stärkerem Fokus auf Robustheit, Verantwortung und graduelle Einführung. (トヨタ自動車株式会社 公式企業サイト) Denso spielt als japanischer Großzulieferer eine Schlüsselrolle bei Sensorik, Elektronik und automatisiertem Fahren; Denso nennt seinen Hauptsitz in Kariya, Aichi, Japan, und beschreibt automatisiertes Fahren und ADAS als zentrale Entwicklungsfelder. (denso.com)

Hyundai, Kia und Genesis: SDV-Offensive mit Nvidia

Hyundai Motor Group, Kia und Genesis bauen ihre softwaredefinierte Fahrzeugstrategie deutlich aus. Hyundai und Kia erweiterten 2026 ihre strategische Partnerschaft mit Nvidia für autonome Fahrtechnologie; Nvidia erklärte, Hyundai plane die Integration von Nvidia-Technologien für Level-2-und-höher-Systeme in ausgewählten Fahrzeugen. (Hyundai) Zusätzlich beschreibt Hyundai eine Blackwell-basierte KI-Infrastruktur zur Unterstützung von autonomen Fahrzeugen, Smart Factories und Robotik. (Hyundai Motor Group)

Das ist mehr als ein Assistenzsystem. Es ist ein industrielles KI-Ökosystem aus Fahrzeugen, Produktionsdaten, Robotik, Simulation und Cloud-Training. Gleichzeitig berichtete Reuters 2026, Kia verschiebe softwaredefinierte Fahrzeuge um ein Jahr auf 2028 – ein Hinweis darauf, wie schwierig die Umsetzung selbst für große, kapitalstarke Konzerne bleibt. (Reuters)

Chinesische Hersteller: Daten, Geschwindigkeit und vertikale Elektronik

Nio, Xpeng, Li Auto, BYD, Xiaomi Auto und andere chinesische Hersteller treiben ADAS und Navigation-on-Autopilot-Funktionen mit hoher Geschwindigkeit voran. Der chinesische Markt ist besonders dynamisch, weil Kunden digitale Funktionen stark nachfragen, lokale Technologieanbieter wie Baidu Apollo, Huawei, Horizon Robotics, Hesai oder Momenta tief in Fahrzeugplattformen eingebunden sind und Städte sowie Behörden Tests und Pilotgebiete ermöglichen. Mercedes verweist selbst darauf, dass etwa Shenzhen seit 2022 vollautonome Fahrzeuge auf bestimmten Straßen erlaubt und dass Mercedes 2023 eine Genehmigung zum Testen von Level-3-Systemen in Peking erhielt. (Mercedes-Benz Group)

Der Vorteil chinesischer Hersteller ist Geschwindigkeit. Der Nachteil liegt in geopolitischer Verwundbarkeit: Exportkontrollen, Datenlokalisierung, nationale Sicherheitsbedenken und Misstrauen gegenüber chinesischen Sensoren oder Software können internationale Expansion erschweren.

Waymo: Robotaxi als eigener Technologiepfad

Waymo unterscheidet sich grundlegend von Pkw-Assistenzsystemen. Das Unternehmen entwickelt keinen Komfortassistenten für private Fahrer, sondern einen autonomen Fahrer für definierte Einsatzgebiete. Waymo beschreibt seinen Driver als KI-System, das komplexe Sensordaten aus Kameras, Radar und Lidar interpretiert und auf Verkehrsteilnehmer, Signale und Straßensituationen reagiert. (Waymo)

Waymo zeigt, dass Level-4-Autonomie möglich ist, wenn Betriebsgebiet, Sensorik, Flottenwartung, Fernüberwachung, Kartierung, Sicherheitsvalidierung und regulatorische Genehmigung eng kontrolliert werden. Zugleich ist dieser Ansatz teuer, schwer skalierbar und eher Dienstleistungs- als Fahrzeuggeschäft.

Zulieferer und Technologiepartner: Die neue Machtmatrix

Diese Tabelle macht deutlich: Das autonome Fahrzeug entsteht nicht bei einem einzigen Hersteller. Es ist ein Verbund aus Sensorlieferanten, Rechenplattformen, Betriebssystemen, Karten, Cloud, Entwicklungswerkzeugen, Testdaten, Sicherheitsprozessen und Zulassungslogik.

Standortfragen: Technologie ist geopolitisch geworden

Wo ein Zulieferer sitzt, ist nicht mehr nebensächlich. Sensorik aus China, Chips aus den USA, Karten aus Europa, Software aus Israel, Betriebssysteme aus Kanada und Cloud-Infrastruktur aus amerikanischen Hyperscalern bilden globale Lieferketten. In stabilen Zeiten ist das effizient. In geopolitisch angespannten Zeiten wird es riskant.

Bei chinesischem Lidar zeigt sich diese Spannung besonders deutlich. Hesai ist ein führender chinesischer Lidar-Anbieter mit großer Fertigungskapazität. Reuters berichtete 2025, Mercedes wolle Hesai-Lidar für globale Modelle einsetzen, verwies aber zugleich auf rechtliche und geopolitische Risiken. (Reuters) Die USA stuften Hesai zeitweise im Kontext möglicher Verbindungen zu chinesischen Militärinteressen ein beziehungsweise diskutierten entsprechende Listen, was unmittelbar auf Reputation, Kundenentscheidungen und Beschaffungsrisiken wirkt. (Reuters)

Umgekehrt sind europäische Hersteller bei Hochleistungs-KI-Chips stark von US-Unternehmen wie Nvidia und Qualcomm abhängig. Das kann technisch vorteilhaft sein, aber strategisch riskant, wenn Exportkontrollen, Lieferengpässe, Preissetzungsmacht oder Cloudbindung zunehmen. Kartenanbieter wie HERE und TomTom sind für Europa strategisch bedeutsam, weil sie eine gewisse Alternative zu rein amerikanischen oder chinesischen Plattformen bieten. Doch auch sie müssen mit globalen Datenquellen, OEM-Vorgaben und regulatorischen Anforderungen arbeiten.

Wer kontrolliert die Daten?

Rechtlich ist die Antwort komplexer als die häufige Frage „Wem gehören die Daten?“ suggeriert. In Europa geht es weniger um Eigentum an Daten als um Zugriffsrechte, Nutzungsrechte, Datenschutzpflichten, Vertragsgrundlagen, Einwilligungen, berechtigte Interessen, technische Notwendigkeiten und Wettbewerbszugang. Der EU Data Act gilt seit dem 12. September 2025 und soll Nutzern mehr Kontrolle über Daten aus vernetzten Geräten geben, ausdrücklich auch aus Fahrzeugen. Die Europäische Kommission veröffentlichte dazu zusätzlich eine auf Fahrzeugdaten zugeschnittene Orientierungshilfe. (European Commission)

Damit wird der exklusive Datenzugriff der Hersteller politisch relativiert. Werkstätten, Versicherungen, Leasinggesellschaften, Flottenbetreiber und Drittanbieter wollen Zugang zu Fahrzeugdaten, um Reparatur, Wartung, Versicherung, Flottenmanagement oder neue Dienste anbieten zu können. Reuters berichtete 2025, die EU plane ergänzende Regeln für fairen Zugang zu Fahrzeugdaten, weil die Frage der Datennutzung zwischen Herstellern, Big Tech und Dienstleistern umkämpft ist. (Reuters)

Faktisch gibt es mehrere Kontrollpunkte:

Der Fahrzeughersteller kontrolliert meist die Bordarchitektur, die Kundenschnittstelle, die Datenschutzeinstellungen und die Updatepolitik. Der Zulieferer kontrolliert häufig Teile der Sensorik, Treiber, Steuergeräte, Algorithmen oder Entwicklungswerkzeuge. Der Softwareplattformanbieter kontrolliert Betriebssysteme, Middleware oder KI-Stacks. Der Kartenanbieter kontrolliert Straßendaten, Geofencing und Aktualisierungslogik. Der Cloudanbieter kontrolliert Speicher-, Trainings- und Auswertungsinfrastruktur. Der Fahrer oder Halter hat Datenschutzrechte, aber oft nur begrenzten technischen Einblick. Versicherer, Flottenbetreiber und Mobilitätsdienste erhalten Datenzugriff über Verträge.

Damit entsteht ein Spannungsfeld zwischen Datenschutz, Sicherheit, Innovation und Wettbewerb.

Zulieferer als Mitentwickler – nicht nur als Lieferanten

Früher lieferte ein Zulieferer ein Bauteil. Heute liefert er häufig eine Funktion. Bei ADAS kann das ein komplettes Wahrnehmungssystem, ein Fahrcomputer, eine Softwarebibliothek, ein neuronales Netz, eine Kartenpipeline oder ein Updatefähigkeitsmodul sein. Dadurch verschiebt sich die Rolle vom Komponentenlieferanten zum Systempartner.

Mobileye liefert nicht nur Chips, sondern Wahrnehmungssoftware, Fahrfunktionen, SuperVision, Chauffeur, Drive und Mapping-Technologien. Nvidia liefert nicht nur Hardware, sondern DriveOS, Hyperion, Trainingsinfrastruktur und Simulationsbausteine. Qualcomm liefert nicht nur SoCs, sondern eine skalierbare Ride-Plattform samt SDK und Cloudbezug. ZF liefert mit ProAI nicht nur ein Steuergerät, sondern einen zentralen Fahrzeugrechner für neue E/E-Architekturen. Valeo liefert mit SCALA nicht nur Lidar-Hardware, sondern Algorithmen zur Objektklassifikation und Trajektorienvorhersage. (Mobileye)

Für Hersteller bedeutet das: Wer einen zentralen Funktionsblock einkauft, kauft zugleich Entwicklungslogik ein. Der Zulieferer bekommt Einfluss darauf, wie Daten interpretiert werden, welche Szenarien trainiert werden, welche Grenzen das System hat und wie schnell Verbesserungen möglich sind.

Die wichtigsten Abhängigkeiten

Technologische Abhängigkeit

Wenn ein Hersteller seine ADAS-Funktionen auf eine externe Plattform stützt, hängt er von deren Roadmap ab. Verzögert sich ein Chip, ein Betriebssystem, ein Safety-Case oder eine Sensorintegration, verzögert sich das Fahrzeugprogramm.

Datenabhängigkeit

Ohne Zugriff auf Rohdaten, Ereignisdaten und Trainingsdaten bleibt der Hersteller abhängig von den Analysefähigkeiten des Zulieferers. Wer nur fertige Funktionen einkauft, lernt weniger aus der eigenen Flotte.

Softwareabhängigkeit

Softwaredefinierte Fahrzeuge benötigen kontinuierliche Updates. Wenn zentrale Softwaremodule extern sind, muss jede Änderung abgestimmt, validiert und regulatorisch abgesichert werden.

Chipabhängigkeit

Nvidia, Qualcomm, Mobileye und andere bestimmen Rechenleistung, Energieverbrauch, KI-Fähigkeiten und teilweise auch die Softwarearchitektur. Ein Plattformwechsel ist teuer und langwierig.

Cloudabhängigkeit

Training, Simulation und Flottendatenanalyse erfordern enorme Rechenkapazität. Wer stark auf AWS, Azure, Google Cloud oder Nvidia DGX Cloud setzt, gewinnt Geschwindigkeit, gibt aber Infrastrukturkontrolle ab.

Kartenabhängigkeit

BlueCruise, Drive Pilot, Super Cruise und viele Level-2+-Systeme hängen an kartierten und freigegebenen Straßen. Kartenanbieter werden damit zu Gatekeepern der Funktionsverfügbarkeit.

Regulatorische Abhängigkeit

Level-3- und Level-4-Systeme benötigen Genehmigungen, Sicherheitsnachweise, Cybersecurity-Prozesse und Software-Update-Management. Zulieferer müssen diese Nachweise technisch mittragen.

Wartungs- und Updateabhängigkeit

Wenn Sensoren, Rechner oder Kameras veralten, reicht ein OTA-Update nicht aus. Teslas Hardware-3-Debatte zeigt, dass Hardwareentscheidungen langfristige Autonomieversprechen begrenzen können. (The Verge)

Probleme für Autohersteller

Die größte Gefahr ist der Verlust eigener Softwarekompetenz. Wer autonome Fahrfunktionen dauerhaft einkauft, kann schneller marktfähige Systeme anbieten, riskiert aber, den Kern künftiger Wertschöpfung abzugeben. Das betrifft nicht nur Technologie, sondern auch Marge. Wenn Chips, Software, Karten, Cloud und Updates von externen Partnern kommen, beanspruchen diese Partner einen wachsenden Anteil des Fahrzeugwerts.

Ein zweites Problem ist Differenzierung. Wenn mehrere Hersteller ähnliche Mobileye-, Qualcomm- oder Nvidia-Plattformen verwenden, ähneln sich die Funktionen. Dann entscheidet nicht mehr allein die technische Fähigkeit, sondern Bedienqualität, Vertrauen, Marke, Preis und Service.

Ein drittes Problem ist Haftung. Bei einem Unfall mit automatisierter Funktion stellt sich die Frage, ob der Fahrer, der Hersteller, der Softwarelieferant, der Sensorhersteller, der Kartenanbieter oder ein Updateprozess ursächlich war. Je komplexer die Lieferkette, desto schwieriger die Verantwortungszuordnung.

Ein viertes Problem ist Cybersecurity. Vernetzte Fahrzeuge mit OTA-Updates sind dauerhaft angreifbare Systeme. Die UNECE-Regelungen R155 und R156 adressieren genau diese Risiken: R155 betrifft Cybersecurity-Managementsysteme, R156 Software-Update-Managementsysteme. UNECE und Fachstellen beschreiben diese Regeln als Anforderungen an Cybersicherheit und sichere, nachvollziehbare Softwareupdates über den Fahrzeuglebenszyklus. (UNECE)

Ein fünftes Problem ist geopolitische Verwundbarkeit. Ein Hersteller kann technisch das beste Sensorsystem wählen und dennoch politisch unter Druck geraten, wenn der Lieferant aus einem strategisch sensiblen Land stammt. Das gilt für chinesische Lidar-Anbieter ebenso wie für US-Chips oder Cloudabhängigkeiten.

Strategische Modelle im Vergleich

Keines dieser Modelle ist eindeutig überlegen. Tesla zeigt Geschwindigkeit, aber auch die Risiken großer Autonomieversprechen. Mercedes zeigt regulatorische Seriosität, aber begrenzte Skalierung. Waymo zeigt technische Machbarkeit, aber hohe Betriebskosten. Volkswagen zeigt die Realität großer Plattformkonzerne: Ohne Partner geht es schneller, aber nicht ohne neue Abhängigkeiten.

Regulierung: Datenschutz, Updates und Datenzugang

Die EU steht vor einer schwierigen Balance. Einerseits sollen Fahrzeuge sicherer, intelligenter und vernetzter werden. Andererseits dürfen sie nicht zu unkontrollierten Überwachungssystemen werden. Die DSGVO verlangt Rechtsgrundlagen, Zweckbindung, Datenminimierung, Transparenz und Betroffenenrechte. Die EDPB-Leitlinien zu vernetzten Fahrzeugen betonen, dass Fahrzeugdaten häufig personenbezogen sein können und dass Einwilligung, Transparenz und Datensparsamkeit zentrale Anforderungen bleiben. (EDPB)

Der EU Data Act erweitert die Debatte um wirtschaftlichen Datenzugang. Nutzer sollen Daten aus vernetzten Produkten besser abrufen und teilen können; für Fahrzeuge veröffentlichte die Kommission 2025 zusätzliche Orientierung. (European Commission)

UNECE R155 und R156 wiederum machen deutlich, dass Softwareupdates und Cybersecurity nicht nur technische Features sind, sondern Zulassungsvoraussetzungen. Hersteller müssen nachweisen, dass sie Risiken über den Lebenszyklus managen und Softwareupdates sicher durchführen können. (UNECE)

In den USA ist der Ansatz stärker fragmentiert, marktnäher und bundesstaatlich geprägt. In China ist die Verzahnung von Industriepolitik, Datenlokalisierung, Smart-City-Infrastruktur und nationalen Technologiechampions enger. Für globale Hersteller bedeutet das: Ein System, das in einem Markt funktioniert, ist nicht automatisch weltweit zulassungsfähig.

Zukunft: Der Kampf um Datenhoheit verschärft sich

Die nächste Entwicklungsstufe ist das softwaredefinierte Fahrzeug. Statt vieler dezentraler Steuergeräte entstehen zentrale Rechner, Zonenarchitekturen, Hochleistungsnetzwerke, KI-Beschleuniger und kontinuierlich aktualisierbare Softwareplattformen. Fahrzeuge werden stärker zu Edge-Computern: Sie verarbeiten Daten lokal, entscheiden in Echtzeit und übertragen ausgewählte Daten in die Cloud.

Gleichzeitig wächst die Bedeutung großer KI-Modelle für Fahrfunktionen. Das Training solcher Modelle erfordert massive Datenmengen, Simulation, synthetische Szenarien, automatische Annotation und Hochleistungsrechenzentren. Nvidia, Qualcomm, Mobileye, Waymo, Tesla, Baidu, Huawei und andere versuchen deshalb nicht nur, Komponenten zu verkaufen, sondern Ökosysteme zu schaffen.

Für Autohersteller wird entscheidend, wie viel Kernkompetenz sie selbst behalten. Wer nur Karosserie, Marke und Vertrieb kontrolliert, könnte in eine ähnliche Lage geraten wie Smartphonehersteller, die Betriebssystem, Chips, App-Ökosystem und Cloudplattform anderen überlassen. Wer hingegen alles selbst entwickeln will, trägt enorme Kosten und technologische Risiken.

Wahrscheinlich ist daher ein hybrides Modell: Hersteller werden bestimmte Kernbereiche selbst kontrollieren – Kundenschnittstelle, Datenstrategie, Sicherheitsarchitektur, Fahrzeugbetriebssystem, Updatepolitik –, während sie bei Chips, Sensoren, Karten oder Cloud weiterhin mit Spezialisten arbeiten. Die Kunst liegt darin, Partnerschaften so zu gestalten, dass sie Geschwindigkeit bringen, ohne die strategische Souveränität aufzugeben.

Fazit: Wer sieht, lernt – und wer lernt, kontrolliert

Autonome Fahr- und Assistenzsysteme sind weit mehr als ein Komfortmerkmal. Sie sind der sichtbarste Ausdruck einer industriellen Verschiebung: vom mechanischen Automobil zum datengetriebenen, softwaredefinierten Mobilitätssystem. Sensoren erfassen die Welt. Rechner interpretieren sie. Software entscheidet. Karten begrenzen oder ermöglichen Funktionen. Cloudsysteme trainieren Modelle. Updates verändern Fahrzeuge nach dem Verkauf. Zulieferer werden zu Mitarchitekten der Fahrerfahrung.

Für Autohersteller ist das Chance und Risiko zugleich. Sie können durch Partnerschaften schneller bessere Systeme anbieten, regulatorische Anforderungen erfüllen und Entwicklungskosten teilen. Doch sie riskieren neue Abhängigkeiten von Halbleitern, Softwareplattformen, Lidar-Anbietern, Kartenfirmen und Cloudkonzernen. Wer die Datenanalyse, die Updatefähigkeit und die KI-Modelle kontrolliert, kontrolliert einen wesentlichen Teil der künftigen Wertschöpfung.

Die entscheidende Frage der kommenden Jahre lautet daher nicht nur, welches Auto am besten assistiert oder autonom fährt. Die eigentliche strategische Frage lautet: Wer kontrolliert die technische Intelligenz hinter dem Fahrzeug – und wer darf aus den Fahrdaten lernen?

Dieser Artikel wird von dem Sponsor lyonbars.gold unterstützt. lyonbars.gold wurde Anfang 2026 als Premium-Marke und Online-Shop für exklusive GoldCards gegründet. Jede Karte vereint ein edles Design mit einem echten, eingebetteten Goldbarren aus reinem 999,9er Gold von zertifizierten Herstellern. Unsere Mission ist es, Produkte zu schaffen, die Ästhetik, Individualität und bleibenden Wert vereinen.

Dieser Text auf outview.ch wurde von Gordian Hense, Oftringen, Schweiz, erstellt und zur Verfügung gestellt. Das Copyright für diesen Text liegt bei Gordian Hense, Oftringen, Schweiz. Gordian Hense bietet Dienstleistungen in den Bereichen Business Conuslting, Mental-Coaching, Copywriting, Content-Erstellung und mehr an. Bei Interesse an diesem Text oder der Erstellung hochwertiger Inhalte wenden Sie sich bitte an Gordian Hense in Oftringen.