GM verkürzt die Fahrzeugentwicklung mithilfe von KI auf zwei Jahre

General Motors hat ein neues KI-gestütztes Entwicklungsmodell angekündigt, mit dem die Fahrzeugentwicklungszeit von herkömmlich vier bis fünf Jahren auf etwa zwei Jahre gesenkt werden soll. Das Programm wurde auf der zweiten jährlichen GM Forward Veranstaltung am 21. Oktober in New York vorgestellt: Aerodynamische Simulationen verkürzen sich von 60 Stunden auf 60 Sekunden, Strukturanalysen von Monaten auf Stunden. Das Unternehmen präsentiert dieses Ziel nicht als leeres Versprechen, sondern bereits mit messbaren Zeitgewinnen.

Was verspricht der auf der GM Forward Veranstaltung angekündigte Plan?

Die von GM zum zweiten Mal ausgerichtete Forward Veranstaltung wurde in diesem Jahr zur Bühne für die Ankündigung eines tiefgreifenden Wandels in der Ingenieurskultur des Unternehmens. Der Kern der Ankündigung vom 21. Oktober in New York lautet: der Fahrzeugentwicklungszyklus soll von dem herkömmlichen, vier bis fünf Jahre dauernden sequenziellen Prozess auf etwa zwei Jahre verkürzt werden. Die Methode stützt sich auf eine Idee, die nicht neu erscheint, aber noch nie konsequent umgesetzt wurde: simultanes Engineering. Design-, Entwicklungs- und Produktionsteams arbeiten von Anfang an gemeinsam auf einer einzigen digitalen Linie; das klassische Staffelrennen-Schema, bei dem das Design an die Entwicklung und die Entwicklung an die Produktion übergeben wird, wird aufgegeben.

Im Zentrum dieses Aufbaus stehen interne KI-Systeme, die mit GMs eigenen Daten trainiert wurden, maschinelles Lernen, Virtualisierung sowie ein Ansatz, den das Unternehmen agentic engineering nennt. GM positioniert dies als den Vorteil, dass jahrzehntelanges Unternehmenswissen wie Designentscheidungen, Crashtests und Lieferkettendaten im KI-Zeitalter zum Vorteil wird. So argumentiert auch Sterling Anderson, der Produktionsvorstand des Unternehmens: dem großen Automobilhersteller geht es nicht um die Datenmenge, sondern um den Datenvorteil; und schnelle Iteration bedeutet ein besseres Produkt.

Die konkrete Umsetzung dieser Strategie bleibt ebenfalls nicht unklar. Die auf der Veranstaltung geteilten Zahlen zeigen Punkt für Punkt, aus welchen Prozessen das Zweijahresziel tatsächlich gewonnen werden soll.

CFD-Ergebnisse sinken von 60 Stunden auf 60 Sekunden

Wie everyone, der dieses Thema genau verfolgt, sofort versteht, ist der eigentliche Engpass bei der Fahrzeugentwicklung meist nicht die Fantasie des Designers, sondern die Geschwindigkeit der Designvalidierung. An dieser Stelle lieferte GM das eindrucksvollste Beispiel aus der Aerodynamik. Einen Termin im Windkanal zu bekommen dauert Wochen; herkömmliche CFD-Simulationen, also numerische Strömungsmechanik, dauern in einem einzigen Durchlauf bis zu 60 Stunden. In der Praxis bedeutet das für den Ingenieur nur eine einzige Design-Iteration pro Tag.

Genau hier kommt das von GM mit eigenen Daten trainierte, auf maschinellem Lernen basierende Werkzeug ins Spiel. Das patentierte Werkzeug namens Themed aero liefert erstaunlich ähnliche Ergebnisse wie CFD in etwa 60 Sekunden. Was früher als Designidee nur einmal am Tag getestet werden konnte, kann heute hunderte Male am Tag erprobt werden. Für jemanden, der diese Branche seit über dreißig Jahren verfolgt, bedeutet das eine grundlegende Veränderung der Arbeitsweise: Aerodynamik ist heute kein sequentieller Freigabeprozess mehr, sondern ein Designwerkzeug mit sofortigem Feedback.

Gewinne bei der Strukturanalyse und beim LMR-Akku

Aerodynamik ist nicht der einzige Bereich. Die von GM in Zahlen belegten Zeitgewinne ziehen sich durch nahezu jede Phase der Entwicklung. Laut den veröffentlichten Daten kann maschinelles Lernen die Analyse der Dachcrashtest-Belastung beispielsweise von Berechnungen, die 8 bis 40 Stunden dauern, auf unter 5 Minuten reduzieren. Strukturanalysen, die im herkömmlichen Prozess vier Monate dauerten - Vorderwagensteifigkeit, dynamische Standards, Dauerhaftigkeitsanforderungen - werden im neuen KI-Prozess in wenigen Stunden gelöst.

LMR-Akku: 300.000 Entwürfe, ein einziger Prototyp

Das vielleicht beeindruckendste Beispiel findet sich beim Akku. Die Entwicklung des kobaltfreien LMR -Akkus (lithium- und manganreich), der gegenüber LFP-Chemie eine rund 33 Prozent höhere Energiedichte bietet, wurde dank Molekülmodellierung und maschinellem Lernen von einer Aufgabe, die typischerweise mehr als 60.000 Laborstunden erfordert hätte, auf 256 Laborstunden reduziert. GM testete über 300.000 Akkuentwürfe virtuell, bevor ein physischer Prototyp gebaut wurde, und das erste LMR-Paket schaffte den Weg vom Konzept zur offiziellen Programmfreigabe in einem Monat. Wie im vergangenen September angekündigt, werden LMR-Zellen in der mit LG Energy Solution neu ausgestatteten Anlage in Spring Hill, Tennessee erstmals weltweit im großen Maßstab produziert.

Der V8 des Silverado und die vom Corvette ZR1 bewiesene Präzision

Es wäre falsch zu glauben, dass virtuelles Engineering nur bei Elektrofahrzeugen funktioniert. Der 6,6-Liter-V8-Motor der Chevrolet Silverado 2027 wurde in einem Drittel der üblichen Entwicklungsdauer eines Motors entwickelt, bei 80 Prozent der Prototypisierungskosten. Den Beweis für die Präzision lieferte der Corvette ZR1: das virtuelle Engineering sagte eine Testgeschwindigkeit von 233 mph voraus; die Kalibrierung wurde noch am selben Tag neu geschrieben und am nächsten Tag an das Testteam geschickt, und das Fahrzeug erreichte tatsächlich 233 mph. Eine Abweichung von einem mph - das ist eine bemerkenswerte Treffsicherheit bei diesem Maßstab.

Die versprochenen 30 Prozent in der Produktionslinie

GM weiß, dass die Verkürzung der Entwicklungszeit allein nicht ausreicht, und definiert deshalb auch den Produktionsteil der Strategie klar. Bei robotischen Funktionen wie Pressen, Gießen, Schweißen, Lackieren und Montage werden KI-gestützte Verbesserungen vorgenommen; bei der Akkumontage wird eine Beschleunigung um 30 Prozent versprochen. Die PlantBrAIn-Plattform des Unternehmens zielt darauf ab, Batteriepakete in der Produktionslinie um genau dieses Maß schneller zu durchlaufen. Es wäre ein Widerspruch, der die gewonnene Zeit zunichtemachen würde, wenn ein in zwei Jahren entwickeltes Fahrzeug wegen einer langsamen Linie erst zweieinhalb Jahre später auf die Straße käme; GM scheint dieses Glied in der Kette ebenfalls geschlossen zu haben.

Ist diese Beschleunigung ein Zug gegen die chinesischen Hersteller?

Das war nach der Ankündigung die meistdiskutierte Frage. Das Tempo chinesischer Hersteller, die vernetzte Fahrzeuge schnell und kostengünstig auf den Markt bringen, ist für etablierte westliche Hersteller seit Langem ein Problem; weit verbreitet ist die Einschätzung, dass GMs Suche nach Beschleunigung eine direkte Antwort auf dieses Rennen ist. Dieser Rahmen ist nicht aus der Luft gegriffen: Ein zweijähriger Zyklus bringt GM in eine Größenordnung, die die Produktionsgeschwindigkeit der chinesischen Konkurrenten deutlich näherbringt.

Die Branchenanalystin Stephanie Brinley von Mobility Global jedoch liest die Lage anders. Ihrer Ansicht nach ist dieser Schritt keine Reaktion auf die chinesische Bedrohung, sondern eine Phase der Effizienzevolution, die GM seit Jahren verfolgt; die gewonnene Geschwindigkeit wird die Wettbewerbsfähigkeit gegenüber jedem Konkurrenten stärken. Auch das Timing allein bestätigt die China-These nicht: Die Ankündigung kam einen Tag nach der Bekanntgabe, dass die Ergebnisse des dritten Quartals des Unternehmens die Erwartungen von Wall Street erfüllt hatten.

Auf der Umsetzungsseite gibt es weiterhin Unbekannte. GM hat noch nicht erklärt, wann der zweijährige Prozess genau in Kraft treten und mit welchem Modell er verbunden sein wird; angegeben wird, dass hinter dem Ziel die Reduzierung von Gerätekosten und Komplexität stehe. Diese Unklarheit ist eine berechtigte Skepsis für all jene, die sich fragen, wie weit das Ziel von der Ankündigung bis zum konkreten Produkt entfernt ist.

Die weiteren Themen der Veranstaltung: Zentralrechner, Hands-free-Fahren und OnStar AI

Die KI-gestützte Entwicklung war nicht das einzige Thema der Forward-Veranstaltung. GM stellte auch eine Architektur vor, die mit einer neuen zentralen Recheneinheit (CCU) die 40-fache Rechenleistung pro Fahrzeug, 30 Prozent weniger Kabel und eine bis zu 50-fach schnellere Mobilfunkanbindung verspricht. Die vierte Generation der EV-Plattform kam mit Themen wie 25 Prozent besserer Aerodynamik, 15 Prozent leichterer Struktur, 20 Prozent kompakterem Batteriepaket, LMR-Chemie und bidirektionalem Energiefluss daher.

Auf der Produktseite wurden ein Hands-free-Fahrsystem, das 2028 mit dem Cadillac ESCALADE IQ debütieren wird, und der OnStar AI Assistant angekündigt, der ab 2027 im Cadillac LYRIQ per kabellosem Update startet. Es wurde angegeben, dass die bestehenden Assistentenoptionen - Google Gemini eingeschlossen - als Optionen bestehen bleiben und der neue Assistent eine Alternative zu ihnen sein wird.

Bewertung: Geschwindigkeit ist kein Ziel, sondern ein schrittweise gemessener Prozess

In der Automobilgeschichte wurden immer Versprechen gegeben, die Entwicklungszeit zu verkürzen; zweijährige Zyklen gab es schon immer auf dem Papier. Was GMs Ankündigung anders macht, ist die Tatsache, dass der Anspruch bereits durch realisierte Zeitgewinne gestützt wird. Die 60-sekündige Aerodynamiksimulation, die monatliche Batteriefreigabe, der in einem Drittel der Zeit entwickelte V8 - das sind keine Ziele, sondern gemessene Ergebnisse. Wann und mit welchem Modell der zweijährige Vollzyklus stattfinden wird, ist jedoch noch nicht bekannt gegeben. Wer diese Branche seit Jahren verfolgt, weiß: Der Wandel in der Ingenieurskultur wird nicht im Ankündigungssaal erprobt, sondern am Serienfertigungsband. GM geht mit einem starken Startpunktestand ins Rennen; Den Rest werden die Straßen zeigen.

Quellen

• GM Forward: Ein intelligenzdefiniertes Fahrzeug für alle entwickeln
• How General Motors Plans to Speed Up Vehicle Development Using A.I. - Road & Track
• GM is turning to AI to slash vehicle development time - Detroit Free Press
• GM aims to develop vehicles in as little as two years with AI - CNBC
• GM simulated 300,000 EV battery designs before building a single prototype - Fortune