KI-Forschung für Automotive

Die Automobilindustrie steckt mitten im größten Umbruch seit einem Jahrhundert. E-Autos, softwaredefinierte Fahrzeuge, Direct-to-Consumer-Vertrieb, Abomodelle, autonomes Fahren. Jeder dieser Shifts erfordert ein Verständnis dafür, wie Kunden denken – und Kunden denken heute anders als noch vor fünf Jahren.

Klassische Automotive-Forschung ist für eine Welt gemacht, die sich langsam wandelt. Jährliche Brand-Tracking-Studien. Quartalsweise Car Clinics. Halbjährliche Forschungszyklen für die Produktplanung. Dieser Rhythmus ergab Sinn, als Modellzyklen noch sieben Jahre dauerten. Er ergibt keinen Sinn mehr, wenn Tesla seine Preise dreimal im Quartal anpasst und chinesische EV-Marken über Nacht europäische Märkte betreten.

KI-Simulation gibt Automotive-Teams die Fähigkeit, ihre Annahmen über Kunden kontinuierlich zu testen, nicht nur dann, wenn der Forschungskalender es zulässt.

Personas von E-Auto-Käufern

Den einen E-Auto-Käufer gibt es nicht. Es gibt mindestens fünf klar abgrenzbare Typen, und sie entwickeln sich rasant weiter:

• Der Early Adopter, der 2019 einen Tesla gekauft hat und nun über sein zweites EV nachdenkt
• Der pragmatische Wechsler, der ein E-Auto kauft, weil die Total Cost of Ownership endlich passen
• Der widerwillige Wechsler, der von Regularien oder Firmenwagenrichtlinien gedrängt wird
• Der Luxuskäufer, dem das Markenlogo wichtiger ist als der Antriebsstrang
• Der Verweigerer, der nicht überzeugt ist und es auf Jahre hinaus nicht sein wird

Jede dieser Personas reagiert anders auf dasselbe Produkt, dasselbe Messaging, dasselbe Pricing. Klassische Studien erfassen meist nur zwei oder drei davon. Minds lässt dich alle fünf bauen und deine Ideen an allen gleichzeitig testen.

Gespräche über Reichweitenangst. Wie denkt jeder Käufertyp wirklich über Reichweite? Dem Early Adopter ist es egal. Der widerwillige Wechsler ist verängstigt. Der Pragmatiker will exakte Daten für seinen Arbeitsweg. Dasselbe Feature – 500 km Reichweite – bedeutet für jeden etwas anderes. Simulation macht das greifbar.

Bedenken zur Ladeinfrastruktur. Frage jede Persona nach ihrer Ladesituation, ihren Sorgen und was sie umstimmen würde. Die Antworten prägen alles – von Produktspezifikationen bis zur Marketingstrategie.

Preissensibilität nach Segment. Der Luxuskäufer zuckt bei 80.000 € nicht mit der Wimper. Der pragmatische Wechsler vergleicht die monatlichen Raten mit denen seines aktuellen Diesels. Spiele Preisszenarien über alle Segmente hinweg parallel durch.

Simulation des Autohaus-Erlebnisses

Das Autohaus-Modell steht von mehreren Seiten unter Druck. Direct-to-Consumer-Marken umgehen es komplett. OEMs experimentieren mit Agenturmodellen. Und das Erlebnis vor Ort im Autohaus bleibt einer der Bereiche mit den häufigsten Beschwerden beim Autokauf.

KI-Simulation hilft auf zwei Ebenen:

Customer Experience Testing. Baue Personas unterschiedlicher Käufertypen und führe sie durch das Autohaus-Erlebnis. Wo reißt die Journey ab? Wo verliert der Verkäufer sie? Welche Informationen fehlen? Was wirkt aufdringlich?

Sales Messaging testen. Händlernetze brauchen ein konsistentes Messaging, aber was funktioniert, variiert extrem nach Kundentyp. Teste denselben Verkaufsleitfaden am technikaffinen Early Adopter und am skeptischen EV-Erstkäufer. Die Unterschiede zeigen dir, wo das Skript flexibler werden muss.

Übergang von Online zu Offline. Die meisten Autokäufer starten heute online und wechseln dann ins Autohaus. Simuliere diesen Übergang. Wo verlieren Kunden das Vertrauen? Welche Online-Informationen mindern die Angst vor dem Autohausbesuch? Warum tauchen sie nach einer Probefahrt ab?

Feature-Priorisierung

Die Planung von Fahrzeugfeatures bindet massive Investitionen. Ein Feature hinzuzufügen, kostet Millionen für Engineering, Werkzeuge und Validierung. Es nach der Zusage wieder zu streichen, ist fast unmöglich.

Klassische Methoden zur Feature-Priorisierung – Conjoint-Analysen, MaxDiff, Feature Clinics – funktionieren, sind aber langsam und teuer. KI-Simulation zieht eine schnellere Iterationsschicht ein:

Gespräche über Feature-Trade-offs. „Hättest du lieber ein Head-up-Display oder einen größeren Touchscreen?" Spiele das über Käufer-Personas durch und schau, wie sich Präferenzen gruppieren. Der Early Adopter will das HUD. Der Pragmatiker nimmt das Günstigere. Der Luxuskäufer will beides und ist beleidigt, dass du überhaupt fragst.

Feature-Kommunikation testen. Ein Feature ist nur dann etwas wert, wenn der Kunde es versteht und schätzt. Teste, wie unterschiedliche Käufertypen auf Feature-Beschreibungen reagieren. „Adaptiver Tempomat" sagt jemandem, der ihn noch nie hatte, gar nichts. „Das Auto fährt auf der Autobahn von selbst, während du entspannst" bedeutet alles. Gleiches Feature, anderes Framing.

Zahlungsbereitschaft. Teste für jedes Feature die Preissensibilität über die Segmente hinweg. Manche Features rechtfertigen bei bestimmten Käufern einen Aufpreis, während sie bei anderen als Standard vorausgesetzt werden.

Kontinuierliches Tracking der Markenwahrnehmung

Jährliche Brand-Tracking-Studien sind im Automotive-Bereich die Norm. Sie sind teuer, langsam und liefern nur eine Momentaufnahme, keinen Trend.

KI-Simulation ermöglicht ein neues Modell: Continuous Brand Pulse Monitoring. Baue ein Panel aus Kunden-Personas, die deine Zielsegmente repräsentieren. Stelle ihnen monatlich statt jährlich dieselben Fragen zur Markenwahrnehmung. Verfolge, wie sich Wahrnehmungen durch Schritte des Wettbewerbs, Medienberichte und Marktereignisse verschieben.

Das ist besonders in Umbruchphasen wertvoll:

• Markenausweitung. Eine klassische Verbrenner-Marke führt EVs ein. Wie nehmen Bestandskunden diesen Schritt wahr? Wie bewerten EV-native Käufer die Marke?
• Markteintritt. Eine chinesische Marke betritt Europa. Was sind die Barrieren in der Wahrnehmung? Was bräuchte es, um Vertrauen aufzubauen?
• Krisenkommunikation. Ein Rückruf oder negative Presse. Wie wirkt sich das auf verschiedene Kundensegmente unterschiedlich aus?

Die Herausforderung des Connected Car

Softwaredefinierte Fahrzeuge schaffen eine neue Forschungsherausforderung: Das Produkt verändert sich nach dem Kauf. Over-the-Air-Updates (OTA) fügen Features hinzu, ändern Benutzeroberflächen und machen manchmal Dinge kaputt. Zu verstehen, wie Kunden diese Änderungen erleben, erfordert kontinuierliches Feedback, das klassische Forschung in der nötigen Breite nicht liefern kann.

KI-Simulation hilft, die Auswirkungen geplanter Änderungen auf Kunden zu testen, bevor sie ausgerollt werden. Baue Personas deiner aktuellen Fahrzeughalter und frage sie, wie sie auf ein UI-Redesign, eine neue Funktion oder ein Abomodell für bisher kostenlose Features reagieren würden.

Die größte Forschungsherausforderung der Autoindustrie ist nicht fehlendes Datenmaterial. Es ist fehlendes Tempo. KI-Simulation ist der schnellste Weg, die Lücke zu schließen zwischen dem Tempo, in dem der Markt sich bewegt, und dem Tempo, in dem deine Forschung mithalten kann.

Erstelle jetzt deine Automotive-Personas →