Fahrzeugkonfiguration mit KI

Das echte Ausmaß des Problems

Ein modernes Fahrzeug kann in Deutschland mit mehreren Tausend Optionskombinationen konfiguriert werden. Antrieb, Karosserie, Außenfarbe, Innenausstattung, Assistenzsysteme, Infotainment, Sonderausstattungen — bei einem Premiumfahrzeug sind schnell 15 bis 25 Konfigurationsschritte zu treffen, von denen viele voneinander abhängen, manche sich ausschließen und einige den Preis erheblich beeinflussen.

Branchenauswertungen zeigen, dass bei deutschen Automobilherstellern rund 60 bis 70 Prozent der Online-Konfigurator-Sitzungen abgebrochen werden — ohne Abschluss, ohne Kontaktaufnahme, ohne weitere Interaktion. Das ist kein Indikator für mangelndes Interesse: Die meisten dieser Nutzer haben den Konfigurator aufgerufen, weil sie sich ernsthaft für ein Fahrzeug interessieren. Die Abbrüche entstehen durch Überforderung, Unsicherheit über die Bedeutung von Optionen und das Gefühl, ohne Beratung keine gute Entscheidung treffen zu können.

Das ist ein direkter Umsatzhebel: Wer Abbruchquoten von 65 auf 50 Prozent senkt, erhöht die Zahl der qualifizierten Anfragen um mehr als 40 Prozent — bei denselben Besucherzahlen, ohne zusätzliches Marketingbudget. Und wer Kunden bedarfsgerecht durch die Konfiguration führt, erhöht auch den durchschnittlichen Konfigurationswert: Kunden, die verstehen, was eine Option bringt, entscheiden sich häufiger für sie als Kunden, die aus einem Listenkatalog auswählen.

Für unabhängige Autohäuser und Händlerverbünde gilt das Problem noch direkter: Ein Berater hat begrenzte Zeit. Im Gespräch mit 20 Kunden pro Woche kann er nicht für jeden eine vollständige, bedarfsgerechte Konfiguration erarbeiten. KI kann diese Lücke füllen — als digitaler Assistent vor dem Beratungsgespräch oder parallel dazu.

So funktioniert es in der Praxis

KI-gestützte Fahrzeugkonfiguration kann auf zwei Arten implementiert werden: als konversationaler Assistent im Konfigurator oder als Empfehlungs- und Erklärungs-KI im Hintergrund des bestehenden Konfigurationstools.

Der konversationale Ansatz funktioniert wie ein Chat oder geführtes Gespräch: “Was ist dein wichtigstes Kriterium beim nächsten Auto?” → “Verbrauch und Reichweite” → “Du überlegst, viel auf der Autobahn zu fahren, oder eher in der Stadt?” → basierend auf den Antworten empfiehlt der Assistent konkrete Konfigurationsoptionen und erklärt, warum sie zur beschriebenen Nutzungssituation passen. Das reduziert die Informationsüberladung radikal: Statt 25 Entscheidungen trifft der Kunde 5 bis 7 Fragen über seine Nutzung — und bekommt eine passgenaue Konfiguration als Vorschlag.

Der Erklärungs-Ansatz greift weniger tief in die UX ein: Der bestehende Konfigurator bleibt, aber an jeder Entscheidung gibt es eine KI-Erklärung. “Was bringt mir das Fahrassistenzpaket Pro?” → KI erklärt in natürlicher Sprache, für welche Fahrsituationen es relevant ist, was es im Vergleich zur Basisausstattung zusätzlich kann, und verweist auf Erfahrungen ähnlicher Nutzer. Das senkt Unsicherheit und erhöht die Konversionrate einzelner Optionen.

In der Praxis ist ein Hybrid sinnvoll: Einstieg mit einem Erklärungs-Layer für bestehende Konfiguratoren (weniger Eingriff in die Infrastruktur, schnell umsetzbar), langfristig Ausbau in Richtung konversationaler Assistent.

Die technische Basis ist ein LLM (GPT-4o oder Claude) mit einem umfangreichen Wissensprompt: alle Fahrzeugoptionen mit Beschreibungen, Preisen, Abhängigkeiten, und typischen Nutzerprofilen. Dazu kommen Personas und Priorisierungslogik: “Kunden, die ‘Reichweite’ priorisieren, wählen typischerweise Option X” — aus historischen Konfigurationsdaten oder von Produktexperten kuriert. Das Modell muss keine KI im engsten Sinne sein, die aus Daten lernt — oft reicht ein sehr gut konfigurierter LLM-Assistent mit umfangreichem Produktwissen.

Welche Tools passen hierzu

Salesforce Automotive Cloud + Einstein AI — für Automobilhäuser und Händlerverbünde, die bereits Salesforce nutzen: Einstein AI bietet Empfehlungs-Engine und konversationale Features, Automotive Cloud integriert Fahrzeugdaten, Kunden-CRM und Konfigurator-Daten. Komplexe Implementierung, aber hoher Reifegrad. Preise auf Anfrage, Enterprise-Segment.

Volkswagen Group Digital Configurator APIs / herstellerspezifische APIs — OEMs stellen Konfigurations-APIs bereit, die Händler und Partner nutzen können. Für Händler und Importeure, die einen eigenen digitalen Konfigurator aufbauen wollen, ist das der Ausgangspunkt. In Kombination mit einem LLM-Backend lässt sich darüber ein KI-Assistent bauen, der in Echtzeit Verfügbarkeit, Preise und Optionen abruft.

ChatGPT (GPT-4o) oder Claude via API — für Importeure, Händlerverbünde und Software-Agenturen, die selbst entwickeln: Ein LLM-Backend mit produktspezifischem Systemprompt (Fahrzeugdaten, Optionsbeschreibungen, Nutzungsprofile) lässt sich in 4–8 Wochen zu einem funktionsfähigen Konfigurations-Assistenten entwickeln. Flexibel, relativ günstig in den laufenden Kosten, erfordert aber Entwicklungskapazität.

Spectrm — spezialisierte Plattform für konversationale Automobilberatung, eingesetzt von mehreren europäischen OEMs. Bietet vordefinierte Automotive-Workflows für Lead-Generierung und Konfiguration. Für Importeure und größere Händler, die nicht selbst entwickeln wollen. Preise auf Anfrage.

Adobe Experience Manager + AI Personalization — für OEMs und Importeure mit komplexen Content-Management-Anforderungen: AEM ermöglicht personalisierte Konfigurations-Erlebnisse basierend auf Nutzerprofil und Browsing-Verhalten. KI-Empfehlungen erscheinen kontextuell, ohne separate Chat-UI. Eher für größere digitale Investments ab 200.000 Euro.

Was es kostet — realistisch gerechnet

Einstieg (LLM-Assistent für Händler oder Importeur, Eigenbau):

• Entwicklungsaufwand: 15.000–35.000 Euro einmalig (Prompt-Engineering, Frontend-Integration, Produktdaten-Aufbereitung)
• Laufende API-Kosten: 200–800 Euro/Monat (je nach Gesprächsvolumen)
• Voraussetzung: Zugängliche Produktdaten (Optionen, Preise, Abhängigkeiten) in strukturierter Form

Mittlerer Weg (Plattformlösung wie Spectrm oder Salesforce Automotive Cloud):

• Setup: 30.000–80.000 Euro einmalig inkl. Datenmigration und Konfiguration
• Laufende Kosten: 3.000–10.000 Euro/Monat je nach Nutzervolumen
• Vorteil: Bewährte Automotive-Workflows, kürzere Time-to-Market als Eigenbau

ROI-Rechnung am Beispiel: Ein Händlerverbund mit 5 Standorten, zusammen 4.000 Konfigurator-Sitzungen pro Monat, aktuelle Abbruchquote 65 Prozent = 1.400 Sitzungen enden mit Interaktion. Ziel: Abbruchquote auf 50 Prozent senken = 2.000 abgeschlossene Sitzungen, davon 10 Prozent werden zu echten Kaufanfragen. 200 zusätzliche Kaufanfragen × 8 Prozent Konversion × 45.000 Euro durchschnittlicher Fahrzeugwert × 3 Prozent Marge = 10.800 Euro zusätzlicher monatlicher Deckungsbeitrag. Bei Entwicklungskosten von 25.000 Euro: Amortisation in ca. 3 Monaten.

Realistischer Zeitplan

Phase	Dauer	Was passiert	Typisches Risiko
Produktdaten-Aufbereitung	Woche 1–3	Alle Optionen, Abhängigkeiten und Preise strukturiert aufbereiten, Nutzungsprofile definieren	Produktdaten inkonsistent oder veraltet — KI gibt falsche Empfehlungen, wenn die Basis nicht stimmt
Prompt-Entwicklung & Prototyp	Woche 3–6	LLM-Assistent aufbauen, erste Konversations-Flows testen, interne Evaluation durch Verkäufer	Zu viel Perfektion im Prototyp — lieber früh testen und iterieren als 12 Wochen perfektionieren
User-Testing & Iteration	Woche 6–9	Beta-Test mit echten Kunden (z. B. auf Landingpage), Feedback sammeln, Flows optimieren	Kein klarer Messzeitraum — definiere vorher, was du nach 4 Wochen messen willst
Integration in Haupt-Konfigurator	Woche 9–14	Widget oder Assistenten in bestehenden Konfigurator oder Website einbauen, A/B-Test starten	Technische Integration aufwändiger als erwartet — IT-Ressourcen frühzeitig einplanen

Häufige Einwände

„Unsere Kunden wollen mit einem echten Berater reden, nicht mit einer KI.” Das stimmt — für den Abschlussgespräch. Aber der Konfigurator kommt vor dem Berater. Kunden, die den Konfigurator abbrechen, sprechen gar nicht mit dem Berater. Der KI-Assistent im Konfigurator hat eine andere Aufgabe: Er überbrückt die Zeit zwischen erstem Interesse und Beratungsgespräch — indem er die Unsicherheit senkt, eine plausible Konfiguration vorschlägt und den Kunden besser vorbereitet in das Gespräch schickt. Ein Berater, der einen Kunden mit klaren Präferenzen und einer konkreten Wunschkonfiguration vor sich hat, führt ein besseres Gespräch — und schließt schneller ab.

„Was passiert, wenn die KI falsche Empfehlungen gibt oder Optionen empfiehlt, die nicht kombinierbar sind?” Das ist das wichtigste technische Risiko. Die Lösung liegt in der Datenbasis: Alle Optionsabhängigkeiten und Inkompatibilitäten müssen explizit im System hinterlegt sein, bevor der Assistent in Produktion geht. Zusätzlich wird der Assistent so konfiguriert, dass er bei Unsicherheit nicht rät, sondern an den Berater verweist. Und: Der Assistent macht Empfehlungen, keine bindenden Konfigurationen — der Kunde bestätigt am Ende, der Berater prüft. Das letzte Wort hat immer ein Mensch.

„Der Aufwand lohnt sich nur für große OEMs — wir sind ein mittelgroßes Autohaus.” Genau das Gegenteil. Große OEMs haben eigene Entwicklungsteams und bauen diese Systeme selbst. Ein mittelgroßes Autohaus profitiert von Lösungen, die heute als SaaS oder mit überschaubarem Entwicklungsaufwand realisierbar sind. Der LLM-Assistent für einen Händler mit 4 Marken lässt sich heute für 20.000–30.000 Euro bauen — das war vor drei Jahren noch eine halbe Million Euro. Der Moment, in dem diese Technologie für den Mittelstand wirtschaftlich wird, ist jetzt.