Praxis-Szenario: KI-gestützte Compliance- und Sicherheitsanalyse für ein BMS-Update

Ein Entwickler plant ein Over-the-Air-Update für das Batteriemanagementsystem (BMS), um ein mögliches thermisches Durchgehen („Thermal Runaway“) bei stehendem Fahrzeug früher zu erkennen. Traditionell erfordert dieses Vorhaben mehrere voneinander getrennte Prozesse: die manuelle Prüfung der Stücklisten (BOM) hinsichtlich Material-Compliance, die Analyse regulatorischer Anforderungen sowie die Durchführung einer Gefährdungs- und Risikoanalyse (HARA) zur Ableitung einer ASIL-Einstufung gemäß ISO 26262. Diese Arbeitsschritte sind häufig über unterschiedliche Datenquellen, Fachabteilungen und Dokumentationssysteme verteilt.

Ein hybrides RAG-System dient hierbei nicht als autonomer Entscheidungsträger, sondern als semantische Navigations- und Referenzschicht zwischen strukturierten Produktdaten und unstrukturierten Norm- und Regulierungsdokumenten. Auf Basis einer einzigen strukturierten Anfrage konsolidiert das System relevante Informationen aus PLM-Systemen, Lieferantendatenbanken, regulatorischen Dokumenten und Sicherheitsstandards und stellt diese nachvollziehbar und referenziert bereit.

1. Material-Compliance-Abgleich (Supply Chain)

Das System extrahiert die betroffene BOM aus dem PLM-System und gleicht die enthaltenen Materialdaten mit aktuellen Lieferanteninformationen aus dem Catena-X-Ökosystem sowie mit regulatorischen Anforderungen ab. Als Referenz dienen hierbei beispielsweise aktuelle PFAS-Restriktionsvorschläge der ECHA. Im Ergebnis identifiziert das System ein potenziell betroffenes Dichtungselement eines Zulieferers, das PFAS-haltige Materialien enthält. Zusätzlich verweist das System auf mögliche PFAS-reduzierte Alternativmaterialien und verknüpft diese mit den verfügbaren Lieferanten- und Zertifizierungsdaten. Die finale technische Bewertung der Materialsubstitution verbleibt jedoch beim zuständigen Entwicklungs- und Compliance-Team.

2. Unterstützung der HARA und ASIL-Einstufung (Systems Engineering)

Parallel analysiert das System relevante Abschnitte der ISO 26262, um die methodischen Parameter für die Bewertung der neuen Sensorik strukturiert bereitzustellen. Basierend auf Referenzen wie der ISO 26262-3 (Tabelle 4) und unter den gegebenen Annahmen — insbesondere hinsichtlich Schweregrad (S3), Exposition (E4) und Kontrollierbarkeit (C3) — unterstützt das System die HARA durch einen normreferenzierten Vorschlag für eine ASIL-D-Klassifikation der betroffenen Softwarefunktion. Gleichzeitig dokumentiert das System die zugrunde liegenden Annahmen sowie die referenzierten Normstellen zur späteren Nachvollziehbarkeit im Entwicklungsprozess.

Mehrwert für den Entwicklungsprozess

Dieses Szenario verdeutlicht die Stärke hybrider RAG-Systeme bei der Überwindung fragmentierter Daten- und Dokumentationssilos innerhalb moderner SDV-Entwicklungsprozesse:

• Beschleunigte Analyseprozesse: Der manuelle Abgleich strukturierter Produktdaten mit umfangreichen Norm- und Regulierungsdokumenten kann erheblich reduziert und weitgehend automatisiert unterstützt werden.
• Verbesserte Traceability: Alle bereitgestellten Ergebnisse bleiben direkt mit den zugrunde liegenden Normen, regulatorischen Anforderungen sowie Lieferanten- und Zertifizierungsdaten verknüpft.
• Unterstützung von „Compliance by Design“: Das System unterstützt Entwickler dabei, relevante Normparameter, Abhängigkeiten und Prozessschritte systematisch zu berücksichtigen und konsistent zu dokumentieren.
• Reduktion von Wissenssilos: Sicherheits-, Compliance- und Produktinformationen werden kontextbezogen zusammengeführt und über unterschiedliche Entwicklungsdomänen hinweg zugänglich gemacht.

Die finale sicherheits- und zulassungsrelevante Bewertung verbleibt dabei weiterhin in der Verantwortung der zuständigen Fachbereiche und Safety-Ingenieure.

Implementierung: Datensicherheit, IP-Schutz und organisatorische Verankerung

Das vorangegangene Praxis-Szenario zur integrierten Sicherheits- und Compliance-Prüfung verdeutlicht das enorme Potenzial von hybriden RAG-Architekturen. Doch für die Automobil- und Zuliefererindustrie gilt ein eiserner Grundsatz: Proprietäre R&D-Daten, Systemarchitekturen und Lieferantenverträge dürfen das Unternehmen nicht unkontrolliert verlassen. Die Nutzung öffentlicher LLM-Schnittstellen, bei denen Eingaben potenziell zum Training künftiger Modelle verwendet werden, ist für kritische Engineering-Prozesse ausgeschlossen. Die erfolgreiche Implementierung erfordert daher eine Architektur, die „Security by Design“ garantiert, sowie eine gezielte organisatorische Befähigung der Mitarbeitenden.

1. Architektur-Strategien für maximalen IP-Schutz

Um semantische Such- und Referenzschichten sicher im Automotive-Umfeld zu betreiben, etablieren sich zwei primäre Architektur-Ansätze[cite: 1]:

• Private Cloud / Enterprise-Dienste: Unternehmen nutzen geschlossene Cloud-Umgebungen (z. B. Microsoft Azure OpenAI Service oder AWS Bedrock)[cite: 1]. Hierbei wird vertraglich zugesichert, dass die LLM-Instanz strikt isoliert läuft (Tenant-Isolation), keine Nutzerdaten für das Modelltraining verwendet werden und die Datenverarbeitung DSGVO-konform stattfindet.
• On-Premise-Modelle (Open-Weight LLMs): Für die allerhöchsten Geheimhaltungsstufen setzen Automobilhersteller zunehmend auf lokal gehostete, quelloffene Modelle. Diese laufen vollständig auf unternehmenseigenen Servern. Die RAG-Pipeline wird so konfiguriert, dass kein einziges Datenpaket das Firmennetzwerk verlässt (Air-Gapped-Fähigkeit).

2. Sicherheit innerhalb der RAG-Pipeline: Role-Based Access Control (RBAC)

Ein weiterer kritischer Aspekt ist die interne Zugriffskontrolle. Nicht jeder Entwickler darf Zugriff auf die Kalkulationsdaten des Einkaufs haben – selbst wenn diese im selben Catena-X-Datenraum oder in derselben Vektordatenbank liegen. Die RAG-Architektur löst dieses Problem durch Role-Based Access Control (RBAC) auf der Retrieval-Ebene.

Bevor das System einen Textbaustein zur semantischen Verarbeitung übergibt, gleicht es die Berechtigungen des anfragenden Nutzers ab. Fragt ein Systems Engineer beispielsweise nach dem betroffenen BMS-Dichtungselement, extrahiert die RAG-Pipeline ausschließlich technische Spezifikationen und ASIL-Anforderungen. Fragt ein Einkäufer nach demselben Element, werden zusätzlich verhandelte Zulieferer-Margen oder Vertragsstrafen bei PFAS-Verstößen referenziert. Das System kann in seinen Antworten niemals Daten verarbeiten oder preisgeben, die dem Nutzer im vorgeschalteten Retrieval-Schritt verwehrt wurden.

3. Organisatorische Verankerung: Die unternehmensweite "Prompt Library"

Neben der technischen Infrastruktur muss die methodische Abfragekompetenz (Prompt Engineering) in der Organisation verankert werden. Es ist ineffizient und fehleranfällig, wenn jeder Entwickler versucht, seine eigene Anfragestruktur für eine HARA-Analyse durch Versuch und Irrtum neu zu erfinden.

Erfolgreiche Unternehmen etablieren sogenannte Prompt Libraries (Prompt-Bibliotheken). Dies sind zentral verwaltete Repositories, in denen validierte, hochkomplexe System-Prompts für spezifische Use-Cases (z. B. strukturierte HARA-Abfragen, Catena-X-Compliance-Checks für Materialdaten) versioniert und qualitätsgesichert abgelegt werden.

Diese Bibliotheken bieten entscheidende Vorteile: Sie sorgen für eine Standardisierung, durch die Analyseergebnisse reproduzierbar werden, sodass sich das Management darauf verlassen kann, dass die semantische Referenzschicht stets nach derselben methodischen Struktur arbeitet. Sie ermöglichen einen Wissenstransfer, bei dem eine von Senior-Experten perfektionierte Abfragelogik für die Material-Compliance-Prüfung von Junior-Technikern per Knopfdruck genutzt werden kann, was das Methodenwissen im System konserviert. Zudem gewährleisten sie eine strikte Governance, da Änderungen an kritischen Analyse-Prompts denselben strengen Freigabeprozess durchlaufen wie Änderungen am Quellcode oder an offiziellen Entwicklungsrichtlinien.

Fazit und Ausblick: Semantische Vernetzung als Fundament der automobilen R&D

Der Übergang zum Software-Defined Vehicle (SDV) und die Integration in globale Datenräume wie Catena-X zwingen die Automobilindustrie, exponentiell wachsende Datenmengen und hochkomplexe regulatorische Anforderungen in immer kürzeren Entwicklungszyklen zu beherrschen. Die klassischen Methoden der Dokumentenverwaltung und manuellen Systemprüfung stoßen dabei an ihre absoluten Grenzen — nicht weil das Wissen fehlt, sondern weil die Schnittstellen zu seiner Navigation veraltet sind.

Das Fazit: Von Datensilos zur semantischen Referenzschicht

Hybride RAG-Architekturen und strukturiertes Prompting bilden die dringend benötigte Brücke, um unstrukturierte Normenwerke mit strukturierten Produktdaten zu verknüpfen. Die Kernmehrwerte lassen sich in drei Punkten zusammenfassen:

• Beherrschbarkeit von Komplexität: Normen wie ISO 26262 und komplexe Stücklisten werden systemübergreifend durchsuchbar und kontextbezogen verknüpfbar. MBSE-Ansätze adressieren dabei die wachsende Architektur- und Datenkomplexität moderner Fahrzeuge über Systemgrenzen hinweg.
• Effizienz und Traceability: Industriell evaluierte hybride RAG-Systeme erreichen auf authentischen Automotive-Daten eine Extraktionsgenauigkeit von 98,2 % bei 83 % Zeitreduktion gegenüber manuellen Prozessen — bei vollständiger Quellenreferenzierung bis zur Ursprungsnorm. Faktische Konsistenz in Multi-Source-Szenarien bleibt eine offene Herausforderung, weshalb die finale sicherheitsrelevante Bewertung weiterhin beim zuständigen Fachbereich verbleibt.
• IP-Schutz und Datensouveränität: Geschlossene Enterprise-Cloud-Lösungen oder On-Premise-Modelle gewährleisten, dass kritische Entwicklungsdaten das Unternehmen nicht verlassen — eine nicht verhandelbare Voraussetzung für den industriellen Einsatz.

Ausblick: Tiefere Toolchain-Integration und Multimodalität

Die Entwicklung bewegt sich von isolierten Suchwerkzeugen hin zu tiefer Integration in bestehende MBSE- und ALM-Toolchains. Zukünftige Systeme werden nicht nur Textdokumente und Stücklisten, sondern auch SysML-Modelle, 3D-CAD-Geometrien und Simulationsdaten semantisch erfassen und direkt mit regulatorischen Vorgaben abgleichen können.

Schlusswort

Die Verankerung hybrider RAG-Architekturen in der automobilen R&D ist keine IT-Initiative mehr, sondern die architektonische Antwort auf die systemische Fragmentierung des softwaredefinierten Fahrzeugs — am wirkungsvollsten, wenn sie nicht autonom entscheidet, sondern den menschlichen Experten präziser und nachvollziehbarer informiert, als es jede dokumentenzentrierte Methode je könnte.