Datenfluss statt Datenstau: Warum die KI im Autohaus nur so gut ist wie ihre Anbindung

Die KI-Studie TÜV NORD INSIGHT 2026 zeigt: Autohäuser scheitern nicht an der Technologie, sondern an der Daten-Durchgängigkeit. Ein Praxisleitfaden für den Weg aus dem Insellösungs-Dilemma.

Ausgangslage: Die KI ist da, aber sie denkt nicht mit

Wer den aktuellen Hype um künstliche Intelligenz verfolgt, könnte glauben, das Autohaus von morgen steuert sich von selbst: KI plant die Werkstattauslastung, beantwortet Kundenanfragen im Schlaf und prognostiziert den Gebrauchtwagenbedarf. Die Realität ist deutlich nüchterner. Die groß angelegte Studie TÜV NORD INSIGHT 2026 zeichnet ein klares Bild: KI ist im Autohaus angekommen, aber nicht als Autopilot, sondern als Assistenztechnologie [2]. Das klingt nach einer kleinen Verschiebung, ist aber der entscheidende Punkt für alle, die gerade über die Einführung solcher Systeme nachdenken.

Die Systeme übernehmen keine kompletten Prozesse, sondern unterstützen dort, wo bisher zeitintensive Routinen lagen [2]. Das ist eine ehrliche Beschreibung dessen, was heute technisch möglich ist. Doch wer jetzt denkt, es reiche, ein KI-Tool zu kaufen und es auf die bestehende IT zu setzen, liegt falsch. Das Problem liegt weniger in den KI-Lösungen selbst, sondern in der fehlenden Durchgängigkeit der Daten [3]. Ein Autohaus, das seit Jahren mit gewachsenen Insellösungen arbeitet, merkt das spätestens dann, wenn die KI plötzlich Zugriff auf Auftragsstatus, Werkstattauslastung, Zeitbedarfe und Fahrzeughistorien braucht, um verlässlich zu arbeiten [3].

Die Krux: Ohne Zugriff auf diese Daten kann keine KI verlässlich arbeiten [3]. Das klingt banal, ist aber die größte Hürde in der Praxis. Viele Dealer-Management-Systeme erlauben die Tiefe der Integration bislang nicht, die für einen echten End-to-End-Prozess nötig wäre [3]. Es gibt also eine strukturelle Diskrepanz zwischen dem, was die KI können könnte, und dem, was die Datenlage im Autohaus tatsächlich zulässt.

Für Autohäuser bedeutet das: Wer KI einführen will, muss zuerst die Datenlandschaft verstehen. Nicht das Tool ist der Engpass, sondern die Qualität und der Fluss der Daten. Ein Blick auf die eigene IT-Landschaft offenbart oft ein Flickwerk aus verschiedenen Systemen, die nicht miteinander sprechen. Der erste Schritt ist deshalb nicht die Auswahl einer KI, sondern die Bestandsaufnahme der eigenen Datenströme.

Problem im Detail: Wenn die KI hundert Arbeitseinheiten nicht erkennt

Der Teufel steckt im Detail, und im Autohaus sind Details oft komplex. Studien-Autor Christian Stallkamp, Geschäftsführer von MUUUH!, bringt es auf den Punkt: Gerade im Service kann ein Vorgang eine einzige Arbeitseinheit sein oder auch hundert [3]. Das weiß die KI nicht automatisch - sie muss angebunden und trainiert werden [3].

Das ist der Kern des Problems. Ein Werkstattauftrag ist nicht einfach ein Werkstattauftrag. Er kann aus einer Inspektion bestehen, die in einer Stunde durch ist, oder aus einer komplexen Reparatur mit mehreren Arbeitsschritten, die sich über Tage zieht. Die KI muss lernen, diese Unterschiede zu erkennen, und dafür braucht sie Daten, die diese Unterschiede abbilden. In vielen Autohäusern ist das nicht der Fall, weil die Datenstrukturen das schlicht nicht hergeben.

Hinzu kommt die Erreichbarkeits-Problematik, die die Studie ebenfalls aufzeigt. 90 Prozent der Kunden hatten im vergangenen Jahr Kontaktprobleme [3]. Das ist ein deutlicher Hinweis darauf, dass die digitalen Abläufe im Autohaus nicht rund laufen, auch wenn die Technik vorhanden ist. Eine KI, die eingehende Anfragen beantworten soll, kann dieses Problem nur lösen, wenn sie Zugriff auf die relevanten Daten hat - etwa auf Verfügbarkeiten oder Bearbeitungsstände.

Die Realität in vielen Betrieben sieht anders aus: Die KI wird als Insellösung eingeführt, bekommt nur einen Teil der Daten und liefert entsprechend ungenaue Ergebnisse. Das führt zu Frustration bei den Mitarbeitern, die das System als Spielerei abtun, und zu Misstrauen bei der Geschäftsleitung, die den Return on Investment infrage stellt. Dabei ist das Problem nicht die KI, sondern die mangelnde Vorbereitung der Datenlandschaft.

Ein weiteres Detail: Die Studie zeigt, dass die Erwartungen der Kunden an digitale Abläufe steigen, während viele Händler noch an alten Systemen hängen [2]. Diese Diskrepanz wird sich nicht auflösen, indem man einfach ein neues Tool kauft. Sie löst sich nur, wenn die Systeme im Hintergrund so miteinander verbunden sind, dass sie dem Kunden tatsächlich einen Mehrwert bieten können.

Ursachenanalyse: Gewachsene Strukturen und heterogene IT-Landschaften

Warum ist die Datenlandschaft in Autohäusern so zersplittert? Die Antwort liegt in der Historie der Betriebe. Autohäuser sind über Jahrzehnte gewachsen, oft durch Übernahmen und Zusammenschlüsse, und mit jedem Schritt kamen neue Systeme dazu [1]. Ein Betrieb, der mehrere Marken vertreibt oder zu einer Autohaus-Gruppe gehört, hat schnell eine IT-Landschaft, die aus verschiedenen Epochen stammt [1].

Die Folge sind gewachsene Insellösungen, heterogene IT-Strukturen und fehlende Standards [3]. Jedes System hat seine eigene Logik, seine eigene Datenbank, seine eigenen Schnittstellen. Die Systeme sprechen nicht miteinander, weil sie nie dafür gebaut wurden. Und wenn sie doch Daten austauschen, dann über Schnittstellen, die nur einen Bruchteil der Informationen übertragen.

Ein Beispiel aus der Praxis: Das DMS des Hauses kennt den Auftragsstatus, aber nicht die Kommunikation mit dem Kunden, die im CRM-System liegt. Das CRM-System wiederum hat keine Ahnung von der Werkstattauslastung. Und die KI, die eigentlich alle diese Informationen zusammenführen soll, steht vor einem Scherbenhaufen. Sie kann nur mit dem arbeiten, was sie bekommt, und das ist oft nicht genug.

Hinzu kommt ein kulturelles Problem: Viele Autohäuser haben jahrelang in Insellösungen investiert und sind nicht bereit, diese abzuschreiben. Der Gedanke, ein System zu ersetzen, das noch funktioniert, ist schwer zu verkaufen. Dabei ist genau das der Punkt: Es geht nicht darum, funktionierende Systeme zu ersetzen, sondern darum, sie so zu verbinden, dass sie zusammenarbeiten können.

Die Studie TÜV NORD INSIGHT 2026 macht deutlich, dass dieses Problem bekannt ist, aber selten angegangen wird. Viele Händler hängen an alten Systemen [2], nicht aus Bequemlichkeit, sondern weil der Umbau als zu teuer, zu aufwendig oder zu riskant erscheint. Diese Angst ist verständlich, aber sie führt dazu, dass die Digitalisierung im Autohaus immer wieder an der gleichen Stelle scheitert: an der Daten-Durchgängigkeit.

Lösungsansatz: Datenfluss als Projekt, nicht als IT-Aufgabe

Der Ausweg aus dem Dilemma beginnt mit einem Perspektivwechsel. Die Anbindung der Systeme ist keine reine IT-Aufgabe, sondern ein strategisches Projekt, das die gesamte Organisation betrifft. Wer die Datenflüsse versteht, versteht auch die Prozesse - und umgekehrt. Die Lösung liegt nicht in einem großen Wurf, sondern in einer schrittweisen Annäherung.

Der erste Schritt ist die Bestandsaufnahme: Welche Systeme sind im Einsatz, welche Daten liegen wo, und welche Schnittstellen existieren bereits? Diese Inventur ist oft ernüchternd, weil sie zeigt, wie viele Informationen in Silos gefangen sind. Aber sie ist die Grundlage für alles Weitere. Ohne diese Transparenz lässt sich kein Datenfluss aufbauen.

Der zweite Schritt ist die Priorisierung: Welche Daten sind für die KI-Anwendung am wichtigsten? Wenn die KI die Werkstattauslastung prognostizieren soll, braucht sie Zugriff auf die Auftragsdaten. Wenn sie Kundenanfragen beantworten soll, braucht sie Zugriff auf das CRM. Die Priorisierung hilft, den Fokus zu setzen und nicht in einem Mammutprojekt zu versinken.

Der dritte Schritt ist die technische Umsetzung: Schnittstellen definieren, Datenstandards festlegen, Testläufe durchführen. Das klingt technisch, ist aber im Kern eine organisatorische Aufgabe, weil sie Absprachen zwischen Abteilungen erfordert, die bisher wenig miteinander zu tun hatten. Verkauf, Service und Verwaltung müssen verstehen, wie ihre Daten zusammenhängen.

Ein wichtiger Aspekt ist dabei die Erkenntnis, dass KI angebunden und trainiert werden muss [3]. Die Technologie ist kein Selbstläufer, sondern ein Werkzeug, das auf die Gegebenheiten des Betriebs zugeschnitten werden muss. Das erfordert Geduld und die Bereitschaft, in die Datenqualität zu investieren, bevor man in die Technologie investiert.

Umsetzung Schritt für Schritt: Vom Silo zum Fluss

Die Umsetzung eines durchgängigen Datenflusses folgt einer klaren Logik, die sich in drei Phasen einteilen lässt. Die erste Phase ist die Analyse: Hier geht es darum, den Ist-Zustand zu erfassen. Welche Daten entstehen im Tagesgeschäft, und wo werden sie gespeichert? Oft ist die Antwort ernüchternd: Die Daten sind da, aber sie liegen verstreut in verschiedenen Systemen und werden nicht zusammengeführt.

In der zweiten Phase geht es um die Definition der Zielprozesse. Was soll die KI später können, und welche Daten braucht sie dafür? Diese Phase ist im Kern eine Prozessanalyse, die eng mit den Fachabteilungen zusammenarbeitet. Der Service muss erklären, wie ein Auftrag abläuft, der Verkauf muss erklären, wie ein Lead entsteht. Nur wer die Prozesse versteht, kann die Datenflüsse richtig gestalten.

Die dritte Phase ist die technische Integration. Hier werden die Schnittstellen gebaut, die die Systeme verbinden. Das ist der Moment, in dem sich zeigt, ob die Vorarbeit getragen hat. Oft ist die Integration einfacher als gedacht, weil moderne Systeme Standard-Schnittstellen bieten. Das Problem liegt seltener in der Technik, sondern häufiger in der Datenqualität: Wenn die Daten nicht sauber sind, hilft auch die beste Schnittstelle nichts.

Ein Beispiel aus der Praxis: Ein Autohaus möchte eine KI einsetzen, die eingehende Service-Anfragen automatisch beantwortet. Dafür braucht die KI Zugriff auf die Werkstattauslastung, um realistische Termine zu nennen. Wenn die Auslastung nur in einem Excel-Sheet gepflegt wird, das niemand aktualisiert, wird die KI falsche Termine nennen und das Vertrauen der Kunden verspielen. Die Lösung ist nicht eine bessere KI, sondern ein Prozess, der die Auslastungsdaten zuverlässig erfasst.

Der Schlüssel zum Erfolg ist die Iteration: Nicht alles auf einmal umsetzen, sondern in kleinen Schritten vorgehen und die Ergebnisse regelmäßig überprüfen. Die Studie zeigt, dass über ein Drittel der deutschen Autohäuser KI bereits nutzt, aber meist nur punktuell und nicht durchgängig [6]. Genau diese Punktualität ist das Problem. Wer die KI nur in einem Bereich einsetzt, ohne die Datenflüsse dahinter zu verstehen, wird enttäuscht werden.

Ergebnis/Wirkung: Was ein durchgängiger Datenfluss verändert

Die Wirkung eines durchgängigen Datenflusses zeigt sich nicht in spektakulären KI-Demos, sondern in der Zuverlässigkeit der Abläufe. Wenn die Systeme miteinander sprechen, kann die KI ihre Assistenzfunktion tatsächlich ausfüllen. Terminvergaben werden realistischer, Anfragen werden schneller beantwortet, und die Mitarbeiter werden von Routinen entlastet, die bisher Zeit gekostet haben [2].

Die Erreichbarkeit ist ein gutes Beispiel. 90 Prozent der Kunden hatten im vergangenen Jahr Kontaktprobleme [3]. Das ist ein eklatanter Missstand, der sich nicht mit einem einzelnen Tool lösen lässt, sondern nur mit einem Zusammenspiel aus CRM, DMS und Kommunikationskanälen. Eine KI, die diese Systeme zusammenführt, kann die Erreichbarkeit spürbar verbessern, weil sie Anfragen nicht nur empfängt, sondern auch beantworten kann.

Ein weiterer Effekt ist die Qualität der Beratung. Wenn die KI Zugriff auf die Fahrzeughistorie hat, kann sie den Service-Mitarbeiter im Gespräch unterstützen. Der Mitarbeiter sieht sofort, welche Arbeiten anstehen, welche Teile benötigt werden und wie lange der Kunde warten muss. Das ist keine Science-Fiction, sondern das, was die Studie als Assistenztechnologie beschreibt [2].

Die Wirkung zeigt sich auch in der Kundenzufriedenheit. Wer digitale Abläufe erwartet [2], aber auf ein Autohaus trifft, das noch analog arbeitet, ist enttäuscht. Wer dagegen das Gefühl hat, dass das Autohaus seine Daten kennt und sich darauf verlassen kann, ist bereit, wiederzukommen. Die Studie TÜV NORD INSIGHT 2026 macht deutlich, dass die Kunden digitale Stärke mit stationärer Präsenz verbinden [2] - genau diese Kombination wird durch einen durchgängigen Datenfluss möglich.

Der wichtigste Effekt ist jedoch die Veränderung der internen Arbeit. Wenn die Daten fließen, können die Mitarbeiter ihre Arbeit besser machen. Sie müssen nicht mehr zwischen verschiedenen Systemen hin- und herspringen, sondern haben alle Informationen an einem Ort. Das steigert die Effizienz und reduziert Fehler, weil keine Informationen mehr verloren gehen.

Übertragbarkeit: Was jedes Autohaus daraus lernen kann

Die Erkenntnisse aus der TÜV NORD INSIGHT 2026 lassen sich nicht nur auf große Autohaus-Gruppen übertragen, sondern auch auf kleine und mittlere Betriebe [1]. Das Prinzip ist immer das gleiche: Die Daten müssen fließen, bevor die KI denken kann. Die Größe des Betriebs spielt dabei eine untergeordnete Rolle, wohl aber die Bereitschaft, in die Datenqualität zu investieren.

Für kleine Autohäuser kann das bedeuten, dass sie mit einem einzigen System arbeiten, das alle Bereiche abdeckt. Für größere Betriebe heißt es, dass sie ihre Systemlandschaft konsolidieren müssen. In beiden Fällen gilt: Die Anbindung der Systeme ist die Grundlage für alles Weitere. Wer diesen Schritt überspringt, wird mit der KI nicht weit kommen.

Ein wichtiger Aspekt ist die Zusammenarbeit mit den Herstellern und Importeuren. Autohäuser werden überwiegend von Vertragshändlern der Automobilhersteller betrieben [1], und diese Hersteller haben oft eigene Systeme, die mit den Systemen des Hauses verbunden werden müssen. Diese Schnittstellen sind nicht immer gut dokumentiert, aber sie sind entscheidend für den Datenfluss.

Ein weiterer Punkt ist die Rolle der Mitarbeiter. Eine KI, die angebunden und trainiert werden muss [3], braucht Menschen, die das verstehen und begleiten. Das erfordert Schulungen und die Bereitschaft, sich auf neue Arbeitsweisen einzulassen. Die Studie zeigt, dass KI im Autohaus heute Assistenztechnologie ist [2] - das bedeutet, dass die Mitarbeiter die Kontrolle behalten, aber lernen müssen, die Assistenz zu nutzen.

Die Übertragbarkeit gilt auch für die Fehler, die andere gemacht haben. Viele Autohäuser haben KI punktuell eingeführt, ohne die Datenflüsse dahinter zu verstehen [6]. Wer aus diesen Fehlern lernt, kann einen anderen Weg gehen: erst die Daten, dann die KI. Das klingt weniger spektakulär, ist aber nachhaltiger.

Lehren: Die wichtigsten Erkenntnisse für die Praxis

Die erste Lehre aus der Studie ist: KI ist kein Autopilot, sondern eine Assistenz [2]. Wer das versteht, hat realistische Erwartungen und wird nicht enttäuscht. Die KI übernimmt keine kompletten Prozesse, sondern unterstützt dort, wo bisher zeitintensive Routinen lagen [2]. Das ist ein Gewinn, aber kein Wunder.

Die zweite Lehre ist: Ohne Datenfluss keine KI [3]. Die Technologie ist nur so gut wie die Daten, die sie bekommt. Wer in KI investiert, muss auch in die Datenqualität investieren. Das ist keine Option, sondern eine Notwendigkeit.

Die dritte Lehre ist: Die Anbindung ist wichtiger als das Tool. Eine KI, die nicht angebunden und trainiert wird [3], ist wertlos. Die Arbeit beginnt nicht mit der Installation, sondern mit der Integration in die bestehenden Prozesse.

Die vierte Lehre ist: Die Erreichbarkeit ist ein zentrales Problem, das sich mit digitalen Mitteln lösen lässt. 90 Prozent der Kunden hatten im vergangenen Jahr Kontaktprobleme [3]. Wer dieses Problem löst, hat einen Wettbewerbsvorteil, der sich direkt in Kundenzufriedenheit niederschlägt.

Die fünfte Lehre ist: Die Digitalisierung ist kein einmaliges Projekt, sondern ein Prozess. Die Studie TÜV NORD INSIGHT 2026 zeigt, dass die Kunden digitale Abläufe erwarten [2], während viele Händler noch an alten Systemen hängen [2]. Diese Lücke wird sich nur schließen lassen, wenn die Autohäuser den Datenfluss als Daueraufgabe begreifen und nicht als einmalige Aktion.

Die sechste Lehre schließlich ist: Der Mensch bleibt der entscheidende Faktor. Die KI ist ein Werkzeug, aber die Entscheidungen treffen die Menschen. Wer die Mitarbeiter nicht mitnimmt, wird mit der Technologie scheitern. Wer sie einbindet und schult, kann die Digitalisierung zum Erfolg führen. Die Zukunft des Autohauses liegt nicht in der Technologie, sondern in der Verbindung von Technologie und Mensch - und in der Bereitschaft, die Daten fließen zu lassen.