Was AI im ASPICE-Prozess nicht entscheidet, und warum das den Wert schützt

Was AI im ASPICE-Prozess nicht entscheidet: die Grenze sichert den Wert

Die produktivste Frage beim AI-Einsatz ist nicht, was AI übernehmen kann. Sie lautet, was AI nicht entscheiden darf. Denn die Grenze zwischen Assistenz und Entscheidung hält Evidenzketten intakt. Und sie schafft Vertrauen im Audit.

Das Prinzip ist einfach. Human-in-the-Loop und Traceability. AI assistiert, der Mensch verantwortet. Das ist kein Zugeständnis an die Vorsicht. Es ist der Kern der Wertsicherung. Es macht die Automatisierung überhaupt erst audit-fest.

AI assistiert. Der Mensch verantwortet.

Damit stehen für Sie als Verantwortliche im Engineering konkrete Fragen im Raum:

• Welche Tätigkeiten kann AI zuverlässig übernehmen, und welche nicht?
• Wie bleibt jeder AI-Schritt traceable und audit-fest?
• Wie verhindern wir, dass kritische Urteile aus einem Prompt entstehen?
• Wie sichern wir die Trennung technisch ab, nicht nur als Richtlinie?

Dieser Beitrag zeigt, was AI im ASPICE-Prozess übernimmt und was beim Menschen bleibt. Und warum die klare Trennlinie den Wert der Automatisierung sichert, statt ihn zu begrenzen.

Die produktivste Grenze im Engineering

Beim Thema AI dreht sich fast alles um Möglichkeiten. Was ließe sich automatisieren? Was beschleunigen? Diese Frage ist wichtig. Sie ist aber nicht die erste. Die erste Frage betrifft die Grenze. Es geht darum, was ein Modell ausdrücklich nicht entscheiden darf.

Diese Grenze klingt nach Vorsicht. Sie ist aber Ökonomie. Ein Prozess, dessen kritische Urteile nachvollziehbar von Menschen getragen werden, bleibt abnahmefähig. Genau dadurch wird die AI-Zuarbeit verwertbar. Ohne diese Grenze produziert AI schnelle Ergebnisse, die niemand freigeben kann.

Die Trennlinie: Assistenz gegen Entscheidung

Was AI macht

AI ist ein leistungsfähiger Assistent. Sie klassifiziert, schlägt vor, generiert, prüft, dokumentiert und zieht Spuren. Das gilt über Requirements, Test, Coding, Quality und Hardware hinweg. Diese Beiträge beschleunigen die Zuarbeit. Sie verschieben die Verantwortung nicht.

Der entscheidende Punkt ist der Status. Jeder Beitrag ist ein Vorschlag, kein Urteil. Er wird erst nach menschlicher Prüfung Teil der Prozess-Wahrheit. So bleibt reproduzierbar, warum etwas so entschieden wurde.

Was AI nicht entscheidet

Klar beim Menschen bleibt, was im Audit zu verantworten ist.

• Kritische Domänenlogik. Die fachliche Substanz einer Entscheidung.
• Safety-Freigaben. Die Bewertung von Sicherheitszielen.
• Compliance-Urteile. Ob ein Artefakt den Anforderungen genügt.
• OEM-Abnahmen. Die verbindliche Freigabe gegenüber dem Kunden.

Diese Urteile entstehen aus deterministischen Regeln und Reviews. Sie entstehen nicht aus einem Prompt. Ein Modell, das so etwas entscheidet, würde die Evidenzkette brechen, die ASPICE verlangt.

Warum die Grenze den Wert schützt

Trace-Links als Rückgrat

ASPICE lebt von durchgängiger Nachvollziehbarkeit. Die Kette von Anforderung zu Design, Unit und Test muss prüfbar bleiben. AI zieht diese Spuren mit und hält sie konsistent. Die Bewertung der Spur bleibt menschliche Verantwortung. So bleibt die Kette belastbar.

Ein gebrochener Trace ist ein Risiko

Ein AI-Output, der eine Evidenzkette bricht, ist im Assessment kein Detail. Er ist ein Downrating-Risiko. Und er erzeugt teure Nacharbeit. Die klare Trennung ist deshalb kein Bremsklotz. Sie macht die Automatisierung wertvoll statt riskant.

Wie die Trennung technisch verankert wird

Die Leitplanke bleibt nicht nur Richtlinie. Sie ist im System verankert. Das Read-only-Overlay auf die Standard-Tools sorgt dafür, dass AI nichts unkontrolliert zur Wahrheit macht.

• Das ALM bleibt System-of-Record. AI erzeugt Vorschläge, klar markiert.
• Erst nach Engineer-Freigabe werden Vorschläge übernommen.
• Die Automotive-Playbooks tragen die Leitplanke in jeden Workflow.

Häufige Fehler beim AI-Einsatz

• Entscheidung aus dem Prompt. Kritische Urteile an ein Modell delegieren.
• Leitplanke als PDF. Die Trennung nur dokumentieren, aber nicht im Tool erzwingen.
• Trace als Nebensache. Geschwindigkeit über Nachvollziehbarkeit stellen.

Der gemeinsame Nenner ist eine unscharfe Grenze. Ist sie klar und im Werkzeug verankert, wird AI vom Risiko zum Beschleuniger.

So gehen wir vor: Build, Operate, Transfer

AI-augmentierte, ASPICE-konforme Workflows bauen wir nicht als Folienkonzept. Wir bauen es als produktive Fähigkeit. Das folgt dem Prinzip Build, Operate, Transfer. Unsere Beteiligung nimmt über die Phasen ab. Ihre Capability wächst ins eigene Haus. Der Wissenstransfer ist vertragliches Erfolgskriterium, kein Zusatz. Sonst entsteht genau der Lock-in, den wir vermeiden wollen.

1. Build. Setup, Guardrails und erste Workflows entlang Ihres realen Prozesses.
2. Operate. Betrieb mit KPI-Verantwortung auf Wertstrom-Ebene. Nie auf Personen-Telemetrie.
3. Transfer. Dokumentierte Übergabe. Ihr Team übernimmt Tooling, Wissen und Betrieb.

Getragen wird das von drei Modulen. Erstens ein Strategic Engineering Lead. Das ist ein Senior-Embedded-Architekt zusammen mit einem Strategic AI Lead. Zweitens die auditierbare Tooling-Plane sensified AI-OS. Drittens die Automotive-Playbooks. Sie beschreiben die Methodik für AI in Embedded-, ASIL-, ASPICE- und AUTOSAR-Kontexten. Die Leitplanke, was AI nicht entscheidet, ist darin fest verankert.

Die vier Mandat-Typen sind kombinierbar. Sie passen sich Ihrem Reifegrad an. Es gibt den Strategic Engineering Lead für den breiten Aufbau. Es gibt die BOT Engineering-Capability als Programm-Paket je Domäne. Es gibt den ASPICE- oder ASIL-Workflow-Pilot zur Validierung vor dem Mandat. Und es gibt das Modul Tooling, MCP und AI-Governance mit Schlüssel-Isolation und Kosten-Transparenz. Der Einstieg ist bewusst risikoarm. Zuerst ein Qualifying-Call zum Fit-Check. Dann NDA und Discovery-Workshop. Danach der Workflow-Pilot. Erst dann das BOT-Mandat mit Governance-Plane. Kommerzielle Details klären wir im Discovery-Workshop, nicht über öffentliche Preislisten.

Gemessen wird auf Wertstrom-Ebene, nie an Personen. Wir messen Kosten je Wertstrom, den Produktivitäts-Zuwachs und die reale Nutzung. So bleibt jederzeit belegbar, ob sich die Fähigkeit rechnet. Das entscheidet über den nächsten Ausbauschritt. Der Betrieb erzeugt keine Chat-Historie als Ergebnis. Er erzeugt prüfbare Artefakte, die in Ihren Prozess passen. Dazu gehören Reports, Traceability-Matrizen und ausführbare Testsuiten.

Der Pilot ist bewusst klein gehalten. Er dauert wenige Wochen. Er nimmt sich einen realen Ausschnitt Ihres Prozesses vor, nicht ein Laborbeispiel. Am Ende steht ein belastbarer Beleg. Sie sehen, ob die Kette hält und ob sich der Aufwand lohnt. Erst auf dieser Basis entscheiden wir gemeinsam über das volle Mandat. So bleibt jedes Investment an ein sichtbares Ergebnis gebunden.

Wie die Evidenz- und Compliance-Arbeit selbst zugeschnitten wird, also welcher Anteil von K3 maschinell vorbereitet werden darf, vertieft der Beitrag K3 und AI: Traceability und Evidenz im ASPICE-Assessment.

Die Safety-Perspektive derselben Frage behandelt ISO 26262 und AI: Assistenz versus Safety-Entscheidung.

Fazit

Es gibt einen Unterschied zwischen zwei Sätzen. Der erste lautet: Wir nutzen AI-Tools. Der zweite lautet: Wir besitzen eine beherrschte, auditierbare AI-Engineering-Capability. Dieser Unterschied entscheidet, ob AI im Serienprogramm trägt oder im Pilot versandet. Genau diese Entscheidungen hat sensified für den eigenen Betrieb getroffen. Sie sind in einem realen ASPICE-Serienprogramm gebaut. Deshalb kommt sensified mit einer Position, nicht mit Fragen.

Drei Dinge unterscheiden diesen Ansatz. Es gibt einen klaren Plan, belegt durch eigenes, produktives IP. Wir bauen es mit, bis es ASPICE-konform in Produktion läuft. Und es gibt keinen Vendor-Lock-in, abgesichert durch modell-agnostische Architektur und Transfer als Erfolgskriterium. Zwei Tiefen treffen dabei in einem Partner zusammen. Das ist etabliertes Automotive- und SDV-Wissen. Und es ist AI-Engineering-Tiefe aus eigener Plattform.

Wie dieser Baustein in eine beherrschte Gesamt-Capability passt, zeigt unsere Seite zur AI-Transformation im Automotive-Engineering. Den strategischen Rahmen erklärt der Beitrag AI im Engineering ist ein Capability-Thema, kein Tool-Thema. Der nächste Schritt ist ein Discovery-Workshop. Dort ordnen wir Ihren Prozess, Ihre Compliance-Lage und den ersten sinnvollen Use-Case gemeinsam ein.

Das Wichtigste in Kürze

• Die richtige Frage ist, was AI nicht entscheiden darf.
• AI klassifiziert, schlägt vor, generiert und prüft. Der Mensch verantwortet.
• Trace-Links sind das Rückgrat. Ein gebrochener Trace ist ein Downrating-Risiko.
• Die Leitplanke wird im Overlay technisch verankert, nicht nur dokumentiert.