三大趋势正在影响汽车行业的研发功能，催生了对深刻变革的需求。

首先，从内燃机 （ICE） 到电动汽车 （EV） 技术的过渡是一个根本性的转变，自半个多世纪前飙升的油价和竞争激发了对更省油汽车的需求以来，该行业从未经历过这样的转变。

第二个是软件定义汽车的趋势，其中央架构更适合消费者。软件为汽车制造商提供了许多脱颖而出的机会，例如信息娱乐和高级驾驶员辅助系统等应用程序。然而，软件也给公司带来了重大挑战，他们需要转变以硬件为中心的运营方式，以支持他们作为软件提供商的额外角色。

第三个趋势是生成式 AI （gen AI） 的出现。Gen AI正在成为一种强大的技术，有可能完全重新配置研发团队的运作方式。尽管该技术仍处于早期阶段，但其生成和处理语言和图像、整合来自各种来源的见解、处理各种格式的信息以及生成用于监管目的的详细文档的能力都指向了截然不同的研发未来。

该行业的新进入者 - 中国、美国和其他地方的电动汽车制造商 - 已经成功地实施了研发流程创新，加快了新车的上市时间，并与利润率已经受到挤压的老牌参与者相比获得了相当大的战略优势。

Gen AI 在汽车发展

中的机会 采用和投资趋势

我们发现，汽车行业有很强的趋势采用 gen AI。大多数公司（75% 的受访者）正在试验至少一代 AI 应用程序。

此外，对用于研发的 Gen AI 应用程序的投资非常大：超过 40% 的受访者表示，他们的公司已投资高达 500 万欧元。少数公司（超过 10% 的受访者）投资超过 2000 万欧元。

在研发过程中

应用Gen AI虽然大多数受访高管（70%）表示他们的公司正在将通用AI应用整合到研发中，但大多数试点项目仅限于研发过程的一个阶段。试点用例的广度非常高;但是，我们没有看到 gen AI 在整个开发过程中的系统使用。

广泛的试点用例表明，高管们主要致力于在研发过程中全面采用未来AI使用的方法。事实上，超过 40% 的受访者优先考虑超过 75% 的潜在用例。

Gen AI

的估计影响和价值 大多数参与者都同意，在调查或研讨会期间量化的大多数生成 AI 用例都带来了巨大的价值，并且可以将研发流程改进 10% 到 20%。一些参与者更多地将集成 gen AI 用例的潜在价值视为意味着收回他们对 gen AI 的投资，而其他人则将其视为保持与同行竞争所需的额外费用。尽管如此，普遍的观点是，需要进行重大的组织和文化转型，才能充分实现 Gen AI 的价值。

Gen AI使用案例及其对研发

的潜在价值参与者的公司目前正在试点的使用案例最有可能集中在需求工程上（在调查中提到得最多，其次是软件测试和验证以及产品设计和优化（被超过一半的调查受访者提到）。

尽管这些是最常见的关注领域，但研发过程的每个部分都有可行的AI用例生成，这些用例提供了降低成本、加快上市时间和提高质量的机会。例如，通过使用 gen AI 完成法规要求的某些文档任务，可以降低管理成本，释放开发人员的能力并提高工程体验和效率。

测试和认证。我们咨询的高管估计，使用 gen AI 来自动化报告并生成基于场景的文档和模拟可以将测试和认证流程改进 20% 到 30%。自动化可以通过简化用于合规性、产品文档和质量保证目的的基本报告、手册和文档的创建来增加价值。

一些使用案例可以提供卓越的效率：例如，一家德国一级汽车供应商通过使用 gen AI 生成测试向量（例如完全分支覆盖率和修改后的条件/决策覆盖率 （MCDC），包括手动审查 gen AI 生成的输出所需的时间，从而将生产力提高了 70%。通过将 gen AI 集成到其嵌入式软件开发流程和需求生成中（使用 gen AI 帮助确定利益相关者请求的要求，可用作初稿），该公司将工程师的工作效率提高了 30%。

设计应用程序。在研发的设计部分，我们咨询的领导者估计衍生设计用例可以将研发过程改进10%到20%。他们还估计，通过使用一代人工智能来发现和解码专有技术，如知识提取、算法解码或再造，逆向和黑盒工程用例可以在研发中产生5到10%的改进。

抓住一代人工智能的机会

我们咨询的大多数高管将实施通用人工智能的障碍评为“大”或“非常大”;只有 25% 的受访者将它们描述为“小”。事实上，缺乏将 gen AI 系统地集成到公司现有的运营模式中，可以归因于这种集成需要重大的组织和文化变革。

为了使一代AI应用在整个研发过程中增加价值，需要一种超越技术和数据的整体、以价值为中心的方法。只有建立必要的能力和文化范围，公司才能期望从新技术中受益，例如一代人工智能。

以价值为中心的公路马p

数量惊人的转型缺乏明确和具体的价值目标。如果没有领导层的这种明确性和一致性，公司将难以调动必要的资源并跟踪进度。围绕这一价值观建立支持和一致性至关重要。

Frame gen AI 是一个驱动因素。我们与研发领导者讨论的一个主要主题是通过先发制人的讨论来正确定位一代AI的好处，从而避免在组织中产生一代AI的反弹。将 gen AI 呈现为推动者和加速器，而不是降低成本和破坏就业的手段，对于成功采用至关重要。

清晰一致的变化叙述。内部利益相关者（首席体验官、经理、员工以及法律、道德和合规等相关部门）应参与定义变更叙述的过程。这种协作方法可确保考虑组织内的所有观点，并且生成的叙述是全面的并与组织的目标保持一致。变革叙述应解决道德考虑，包括数据隐私、算法偏见、透明度和问责制，并应始终如一地传达给所有利益相关者。这有助于建立对 gen AI 实施的信任、理解和支持，并鼓励组织的所有成员支持其战略目标。

为高层管理领导者提供支持。关键的第一步是向高层管理领导者提供数据和案例研究，以清晰简洁的方式展示 Gen AI 对组织战略目标的潜在影响。理想情况下，最高管理层将了解生成 AI 的道德和法律考虑因素，以及建立护栏和灵活的道德和法律审批流程的重要性。通过树立开拓性的思维方式，高层管理人员可以在组织内培养一种创新和实验的文化。研发部门可以支持这些领导者确保以负责任和有效的方式实施生成人工智能，从而为组织带来最大的好处。

建造一座看得见的灯塔来激励组织。这可能是汽车开发部门的关键策略。通过识别高影响力的一代AI用例并展示其潜力，研发团队可以激励和激励组织的其他成员探索新的可能性并拥抱创新。一旦Lighthouse成功，研发领导者将需要构建一套相互补充和支持的应用案例。简单地孤立地构建用例，而不进行协调，通常会导致大量活动，但价值不大。

赋能和培训人才：两代 AI 副驾驶

Gen AI 肯定会影响工作，这些变化将包括承担单调的任务，例如撰写简报或起草文件。反过来，这将使员工能够将更多时间花在更有价值的任务上，例如产生想法和创造性解决方案，以及起草初始代码以供审查。培养人才能力与其说是一个招聘目标，不如说是一项培训活动。

一些研发机构已经开始实施AI assistance，包括一个专注于编写需求文档的。从此类文档的不同版本中复制和粘贴文本通常会导致不一致，最坏的情况是，会导致文档变得复杂且具有不必要的要求。一家德国 OEM 实施 Copilot 后，效率提高了 20%，并减少了数百名工程师的工作量。Copilot 通过添加功能（例如根据国际标准化组织 （ISO） 规范进行检查）不断得到增强，从而节省更多时间。

由德国汽车 OEM 实施的另一代 AI 辅助旨在减少大量员工合规任务的准备时间。在这种情况下，gen AI 应用程序会自动从 ISO 和类似文档中提取规范，集成它们，并检查是否符合现有流程文档。当它最终扩展到自动派生积压项目并确定规范和流程文档之间的协同作用时，预计它将减少 20% 到 30% 的审计准备工作。

员工将需要时间和培训来学习如何最好地使用他们的 AI 助手，测试和建立对结果的信任，并从产生正确答案的交互中获得保证。

创新的运营模式

为了让团队快速有效地工作，他们需要独立性、明确的指导方针和目标，以及获得 gen AI 工具和功能。鉴于风险的不确定性和不断变化的环境，需要将该领域的专家整合到工作团队中，以便及早发现问题并管理周到的风险审查和批准流程。关键要素包括以下内容：

跨职能团队。为了充分利用 gen AI，公司应该建立由来自不同学科的专家组成的跨职能团队，他们可以有效协作以推动创新。协作和实验的文化使团队能够解决复杂的问题并提供强大的解决方案。

简化的流程。为了释放 Gen AI 的底线潜力，必须重新设计现有流程，并且必须系统地降低或消除成本，例如，通过简化工作流程、消除手动流程步骤和重塑角色。

明确的使命。为了确保问责制并推动结果，领导者应该制定强有力的任务，明确定义这些团队的目标、可交付成果和时间表。通过赋予团队必要的资源和权限，R&D可以在团队成员中培养一种所有权和责任感，使他们能够实现自己的目标并取得实质性的成果。

构建技术基础

与数字用例类似，采用 Gen AI 用例的最大障碍包括数据孤岛、权限问题以及被证明不足以支持新技术的技术堆栈。

Gen AI 的实施依赖于可扩展的基础设施，其中包括强大的架构、高效的资源分配以及对不断发展的技术环境的主动适应。此外，连贯但模块化的数据平台是支持可扩展使用一代 AI 的技术基础的基本要素。理想情况下，技术GY Base 应提供对不同代 AI 模型的访问，以支持更广泛的用例并支持具有成本效益的实施。要处理的数据量庞大，以及与大型供应商托管的语言模型集成所需的开放式架构意味着基于云的基础设施和平台是可取的，因为它们可以提供所需的灵活性和稳健性。

创建强大的数据治理

缺乏数据价值保证和缺乏对供应商的数据可用性培训是巨大的挑战，凸显了数据的技术和组织中心性。

虽然 gen AI 通常不需要大量数据来提供价值，但大多数用例确实受益于专有数据的系统和及时丰富，这些数据需要通过严格的数据管理进行管理，以将专有数据的可见性和可访问性限制在允许和可取的范围内。

需要数据所有权、数据分类和本体，以便为模型提供训练所需的干净且具有代表性的数据。全面的方法并不理想;相反，同时引入一组针对各种用例的实用解决方案更有可能成功。例如，公司可以开始对测试用例进行编目，为这些测试用例建立数据治理，并在结构化数据湖中创建高质量的测试用例数据存储库。

严格保证采用和扩展解决方案以获取价值

转化研发过程的有效性应仔细衡量、评估并在必要时进行纠正。明确且公认的基线对于证明 gen AI 的积极影响至关重要。

同样，价值捕获治理框架和支持激励措施将有助于避免不必要的许可和培训成本。具有强大业务价值的组织可以通过提高生产力和缩短上市时间来帮助实现底线或顶线收益。

通过优先生成具有最大潜在影响和最低风险的AI用例，研发部门可以得到更好的服务。然后，可以根据这些用例的复杂性和相互依赖关系将这些用例分组到部署波次中，从而提供切实的业务价值并为下一波部署造势。跨团队和波次的协作和知识共享有助于实现收益最大化。