Lenz Automotive KI – Grundlagen & Praxis für Autohäuser
KI verstehen. Sicher einsetzen. Ergebnisse im Autohaus verbessern.
Jetzt starten
Willkommen: KI praxisnah für Ihr Autohaus
Lenz Automotive KI – Grundlagen & Praxis für Autohäuser
Künstliche Intelligenz ist längst kein Zukunftsthema mehr – sie ist ein praktisches Werkzeug, das Autohäuser heute nutzen können, um effizienter zu arbeiten und bessere Ergebnisse zu erzielen. Diese Präsentation erklärt KI-Grundlagen verständlich und zeigt konkrete Anwendungsmöglichkeiten auf.
Unser Ziel: KI so erklären, dass Entscheidungen leichter fallen und erste Anwendungen im Autohaus sofort umsetzbar sind. Sie erhalten klare Orientierung, keine abstrakten Theorien – sondern Wissen, das Sie direkt in die Praxis umsetzen können.
Agenda: Ihr Weg durch die KI-Grundlagen
01
Entwicklung verstehen
KI → Machine Learning → Deep Learning: Die Evolution der Technologie
02
KI einordnen
Verhalten vs. Denken, menschlich vs. ideal – was bedeutet Intelligenz?
03
Systeme kategorisieren
Lernend/nicht lernend, schwach/stark – die wichtigsten Unterscheidungen
04
Lernprozesse nachvollziehen
Wahrnehmung → Aktion → Feedback → Lernen: Der Kreislauf erklärt
05
Technologien abgrenzen
ML vs. DL kompakt: Was unterscheidet die Verfahren?
06
Sprachmodelle verstehen
LLM & GPT: Wie funktionieren moderne Sprachsysteme?
07
Prompting beherrschen
Definition, Wirkung und Best Practices mit Autohaus-Beispiel
08
Sicher umsetzen
Nächste Schritte & sichere Implementierung im Betrieb
Warum jetzt handeln?
KI als Werkzeug zur Ertragssteigerung
Künstliche Intelligenz ist kein theoretisches Konzept, sondern ein praktisches Werkzeug zur Ertragssteigerung und Prozessvereinfachung. Autohäuser können heute mit KI Zeit sparen, Fehler reduzieren und Kundenkommunikation verbessern – ohne große IT-Investitionen.
Verfügbarkeit reifer Technologie
Die Verfügbarkeit von reifen Modellen und einfachen Benutzeroberflächen macht den Einstieg so leicht wie nie zuvor. Moderne KI-Werkzeuge sind intuitiv bedienbar und erfordern keine Programmierkenntnisse. Die Hemmschwelle sinkt kontinuierlich.
Wettbewerbsvorteil durch intelligente Integration
Der entscheidende Wettbewerbsvorteil entsteht dort, wo Daten + Prozesse + Menschen zusammenspielen. Wer KI gezielt in bestehende Abläufe integriert, arbeitet schneller, präziser und kundenorientierter als der Wettbewerb.
Die Evolution der KI-Technologie
1
Künstliche Intelligenz (ab 1950er)
Regeln, Logik, Expertensysteme – die ersten Versuche, menschliches Denken nachzubilden
2
Machine Learning (ab 1980er)
Systeme lernen Muster aus Daten und verbessern sich durch Erfahrung
3
Deep Learning (ab ~2010)
Neuronale Netze ermöglichen Sprünge in Bild-, Sprach- und Textverstehen
Diese drei Entwicklungsstufen bauen aufeinander auf. Während frühe KI-Systeme auf fest programmierten Regeln basierten, lernen moderne Deep-Learning-Modelle selbstständig aus riesigen Datenmengen. Für Autohäuser bedeutet das: Heute verfügbare KI-Werkzeuge sind leistungsfähiger und flexibler als je zuvor.
Verständnis von KI – Achse 1: Bewertungsmaßstab
Verhalten
Was tut das System nach außen hin?
  • Beobachtbare Aktionen
  • Ergebnisse und Outputs
  • Interaktion mit Umwelt
Denkprozesse
Wie kommt es zur Entscheidung?
  • Interne Mechanismen
  • Entscheidungslogik
  • Kognitive Modellierung
Diese erste Achse hilft uns zu verstehen, woran wir „Intelligenz" messen. Geht es um das beobachtbare Ergebnis (Verhalten) oder um die Art und Weise, wie das System zu diesem Ergebnis kommt (Denkprozesse)? Im praktischen Einsatz im Autohaus interessiert uns meist das Verhalten – liefert die KI brauchbare Ergebnisse?
Verständnis von KI – Achse 2: Leistungsmaßstab
Menschliche Leistungsfähigkeit
Das System agiert so gut wie ein Mensch in vergleichbaren Situationen. Dieser Maßstab orientiert sich an der durchschnittlichen oder Expertenleistung eines Menschen und ist oft intuitiv nachvollziehbar.
  • Vergleich mit menschlichen Experten
  • Alltagstaugliche Bewertung
  • Subjektive Einschätzung möglich
Ideale Leistungsfähigkeit (Rationalität)
Das System trifft die bestmögliche Entscheidung in der gegebenen Situation – unabhängig davon, wie ein Mensch handeln würde. Dieser Maßstab ist objektiver und technisch präziser.
  • Optimale Entscheidungen
  • Mathematisch fundiert
  • Unabhängig von menschlichen Grenzen

Arbeitsdefinition für die Praxis: Ein KI-System trifft rational die bestmögliche Handlung in einer gegebenen Situation – basierend auf verfügbaren Informationen und definierten Zielen.
Kategorisierung nach Lernfähigkeit
Fest programmierte Systeme
Diese Systeme arbeiten nach vordefinierten Regeln und Algorithmen. Sie passen sich nicht durch Erfahrung an und bleiben statisch. Beispiel: klassische If-Then-Regeln in einfacher Software.
  • Keine Anpassung durch Daten
  • Vorhersagbares Verhalten
  • Wartungsintensiv bei Änderungen
Lernende Systeme
Das Modell passt sich über Daten und Feedback an (Machine Learning / Deep Learning). Es verbessert seine Leistung kontinuierlich und erkennt neue Muster. Beispiel: KI-gestützte Textgenerierung.
  • Lernen aus Erfahrung
  • Automatische Verbesserung
  • Flexibel bei neuen Situationen
Für Autohäuser sind lernende Systeme besonders interessant, da sie sich an verändernde Kundenbedürfnisse, neue Modelle und Marktbedingungen anpassen können – ohne ständige manuelle Neuprogrammierung.
Kategorisierung nach Leistungsfähigkeit
Schwache KI (Narrow AI)
Spezialisiert auf einen klar definierten Aufgabenbereich. Diese Systeme sind Experten in ihrer Nische, können aber keine anderen Aufgaben übernehmen. Fast alle heute verfügbaren KI-Systeme gehören zu dieser Kategorie.
  • Fokussiert auf spezifische Aufgaben
  • Sehr leistungsfähig im Spezialgebiet
  • Keine Übertragung auf andere Bereiche
  • Praktisch verfügbar und im Einsatz
Beispiele im Autohaus: Chatbots für Service-Terminvereinbarungen, automatische Kategorisierung von Kundenanfragen, Textgenerierung für Fahrzeuginserate
Starke KI (AGI – Artificial General Intelligence)
Menschenähnlich allgemeine Intelligenz, die beliebige kognitive Aufgaben bewältigen kann. Diese Form der KI existiert aktuell nicht und ist Gegenstand wissenschaftlicher Forschung, nicht der praktischen Anwendung.
  • Flexibel über alle Domänen
  • Selbstständiges Lernen neuer Bereiche
  • Vergleichbar mit menschlicher Intelligenz
  • Noch nicht realisiert
Lernendes System – Die Bausteine
Sensoren (Wahrnehmung)
Erfassung von Daten aus der Umwelt oder Eingaben
Leistungselement (Auswahl)
Entscheidung über die beste Handlung basierend auf gelerntem Wissen
Aktuatoren (Umsetzung)
Ausführung der gewählten Aktion in der realen Welt
Kritik/Feedback (Zielerreichung?)
Bewertung: Wurde das Ziel erreicht? Wie gut war die Aktion?
Lernelement (Anpassung)
Verbesserung des Modells basierend auf Feedback
Innovator (neue Optionen)
Optional: Entdeckung neuer Handlungsalternativen

Kern-Erkenntnis: Ohne Feedback kein Lernen. Jedes lernende System benötigt eine Rückmeldung über die Qualität seiner Aktionen, um sich zu verbessern.
Machine Learning vs. Deep Learning
Machine Learning (ML)
Machine Learning umfasst Algorithmen, die Muster aus Daten lernen und Vorhersagen treffen. Die Verfahren reichen von einfacher linearer Regression über Entscheidungsbäume bis zu komplexeren Ensemble-Methoden.
Typische Verfahren:
  • Lineare/logistische Regression
  • Entscheidungsbäume und Random Forests
  • Support Vector Machines
  • Klassifikation und Clustering
Stärken: Interpretierbar, weniger Daten nötig, schnelleres Training
Deep Learning (DL)
Deep Learning ist ein Teilbereich von ML und nutzt tiefe neuronale Netze mit vielen Schichten. Besonders stark bei großen, unstrukturierten Datenmengen wie Bildern, Audio und Text.
Typische Anwendungen:
  • Bilderkennung und Computer Vision
  • Sprachverarbeitung (NLP)
  • Spracherkennung und -synthese
  • Autonome Systeme
Stärken: Höchste Leistung bei komplexen Daten, automatische Feature-Erkennung
Praxis: Deep Learning ist ein Teilbereich von Machine Learning. Für viele Autohaus-Anwendungen (z.B. Textgenerierung) kommen heute Deep-Learning-Modelle zum Einsatz, weil sie Sprache besonders gut verstehen und generieren können.
LLM – Large Language Model
Ein Large Language Model (LLM) ist ein Sprachmodell, das auf riesigen Textmengen trainiert wurde. Das Grundprinzip: Das Modell lernt Wahrscheinlichkeiten für Wortfolgen – welches Wort folgt am wahrscheinlichsten auf eine gegebene Sequenz?
Training auf großen Textmengen
LLMs werden auf Milliarden von Texten aus Büchern, Webseiten, Artikeln und anderen Quellen trainiert. Dabei lernen sie nicht nur einzelne Wörter, sondern Strukturen, Semantik und Stil der menschlichen Sprache.
Mustererkennung in Sprache
Das Modell erkennt grammatische Strukturen, semantische Zusammenhänge, Kontext und sogar subtile sprachliche Nuancen. Es versteht, wie Konzepte zusammenhängen und wie Sprache in verschiedenen Kontexten verwendet wird.
Vielseitige Anwendungsmöglichkeiten
Ergebnis: LLMs können Texte verstehen, zusammenfassen, generieren, strukturieren, übersetzen und beantworten. Sie sind vielseitig einsetzbar – von Kundenkorrespondenz bis zur Fahrzeugbeschreibung.
GPT – Generative Pre-Trained Transformer
GPT ist eine spezifische Architektur für Sprachmodelle, die heute in vielen KI-Anwendungen zum Einsatz kommt. Der Name beschreibt die drei Kernmerkmale:
Generative
Das Modell erzeugt neue Inhalte – es reproduziert nicht nur vorhandenen Text, sondern erschafft originelle, kontextbezogene Antworten und Texte.
Pre-Trained
Das Modell wurde vortrainiert auf riesigen Textkorpora. Dieses umfangreiche Vortraining bildet die Basis für vielfältige Aufgaben ohne aufgabenspezifisches Training.
Transformer
Die zugrundeliegende Architektur für Sequenzen nutzt Aufmerksamkeitsmechanismen ("Attention"), um Beziehungen zwischen Wörtern zu erfassen – auch über große Distanzen im Text hinweg.
Feintuning und Anleitung steuern, wie das Modell spezifische Aufgaben löst. Durch gezielte Prompts können Sie das Verhalten des Modells an Ihre Bedürfnisse im Autohaus anpassen.
Wie entsteht Text? (1/2)
Token-für-Token-Vorhersage
Ein Sprachmodell generiert Text nicht auf einmal, sondern Wort für Wort (genauer: Token für Token). Ein Token kann ein Wort, ein Wortteil oder ein Zeichen sein.
Wahrscheinlichkeitsbasierte Auswahl
Das Modell sagt das nächste Wort voraus – basierend auf gelernten Wahrscheinlichkeiten aus dem Training. Es bewertet, welche Fortsetzung am plausibelsten ist.
Beispiel: Bei der Eingabe „Übung macht den …" analysiert das Modell den Kontext und bewertet mögliche Fortsetzungen. Es sucht in seinem gelernten Wissen nach ähnlichen Mustern und Phrasen.
Wie entsteht Text? (2/2)
Bei der Token-Vorhersage bewertet das Modell intern verschiedene Fortsetzungsmöglichkeiten. Hier ein vereinfachtes Beispiel für „Übung macht den …":
Das Modell bewertet „Meister" mit der höchsten Wahrscheinlichkeit, weil es die Phrase „Übung macht den Meister" in seinen Trainingsdaten häufig gesehen hat. Alternativen wie „Champion" haben niedrigere Wahrscheinlichkeiten, sind aber nicht unmöglich.

Das höchstwahrscheinliche Token (oder eine gesteuerte Auswahl über Parameter wie „Temperatur") wird ausgegeben. So wächst der Text Token für Token – das neue Token wird an den bisherigen Text angefügt, und der Prozess wiederholt sich, bis eine Stopbedingung erreicht ist.
Prompt – Definition
Was ist ein Prompt?
Ein Prompt ist eine klare Anweisung an die KI in natürlicher Sprache. Es ist die Schnittstelle zwischen Ihnen und dem Sprachmodell – der Weg, wie Sie der KI mitteilen, was sie tun soll.
Prompts können verschiedene Formen annehmen:
  • Direkte Fragen
  • Aufgabenbeschreibungen
  • Rollenzuweisungen
  • Zielvorgaben
  • Rahmenbedingungen und Einschränkungen
Warum ist Präzision wichtig?
Je präziser Ihr Prompt formuliert ist, desto besser die Ergebnisse. Ein vager Prompt führt zu vagen Antworten. Ein detaillierter, strukturierter Prompt führt zu präzisen, brauchbaren Ergebnissen.
Die Qualität der KI-Ausgabe hängt direkt von der Qualität Ihrer Eingabe ab. Ein guter Prompt ist wie ein gutes Briefing an einen Mitarbeiter – klar, vollständig und mit messbaren Kriterien.
Prompt – Steuerwirkung
Ein gut strukturierter Prompt ist wie ein präzises Briefing. Er klärt alle wichtigen Aspekte der Aufgabe und steuert die KI in die gewünschte Richtung. Die folgenden Elemente sollten Sie in Ihren Prompts berücksichtigen:
1
Rolle & Ziel
Welche Rolle soll die KI einnehmen? Was ist das übergeordnete Ziel der Aufgabe?
2
Kontext & Daten
Welche Hintergrundinformationen sind relevant? Welche Daten stehen zur Verfügung?
3
Format & Qualitätsmaßstab
In welcher Form soll die Ausgabe erfolgen? Was sind die Qualitätskriterien?
4
Grenzen & Prüfschritte
Was soll die KI NICHT tun? Welche Prüfschritte sind notwendig?
Diese vier Dimensionen bilden das Grundgerüst für wirksame Prompts. Je mehr dieser Aspekte Sie explizit ansprechen, desto zielgerichteter arbeitet die KI für Sie.
Prompting – kompakte Best Practices
Klare Aufgabe, positives Wording
Formulieren Sie höflich, direkt und positiv. Sagen Sie, was die KI tun soll, statt nur zu beschreiben, was sie vermeiden soll.
Rolle/Persona definieren
Geben Sie der KI eine Rolle, z.B. „Du bist ein erfahrener Serviceberater in einem Autohaus". Das hilft dem Modell, den richtigen Ton und die passende Fachsprache zu wählen.
Zielgruppe & Tonalität nennen
Für wen ist der Text? Welcher Ton ist angemessen? Formal, freundlich, technisch, verkaufsorientiert? Präzise Angaben steuern den Stil.
Wichtigkeit & Kriterien nennen
Geben Sie konkrete Kriterien vor, z.B. „max. 120 Wörter, handlungsorientiert, keine Floskeln". Messbare Vorgaben führen zu messbaren Ergebnissen.
Schritt-für-Schritt oder Gliederung vorgeben
Strukturieren Sie komplexe Aufgaben in Einzelschritte. Geben Sie eine Gliederung vor, wenn das Format wichtig ist (z.B. „1. Betreff, 2. Anrede, 3. Hauptteil, 4. Call-to-Action").
Um aktive Rückfragen bitten
Fordern Sie die KI auf, bei Unklarheiten nachzufragen: „Was fehlt noch?" oder „Welche Informationen benötigst du zusätzlich?". Das verbessert die Ergebnisqualität.
EIN Autohaus-Beispiel: Vorher → Nachher
❌ Vorher: Schwacher Prompt
„Schreib eine E-Mail an Kunden zur Inspektion."
Problem: Zu vage. Keine Angaben zu Rolle, Zielgruppe, Ton, Länge oder Format. Die KI muss raten, was Sie wollen – das Ergebnis ist unspezifisch und oft unbrauchbar.
✅ Nachher: Starker Prompt
„Rolle: Serviceberater eines Markenhändlers. Ziel: Freundliche, knappe Inspektionserinnerung für Bestandskunden, Terminlink am Ende.
Rahmen: Klarer Betreff, 90–120 Wörter, Ton: wertschätzend, präzise.
Inhalt: Fahrzeugwartung fällig in Kürze, Vorteile terminierter Wartung (Garantie, Sicherheit), Call-to-Action mit Link-Platzhalter.
Gib 2 Betreff-Varianten und die E-Mail im Fließtext aus."
Ergebnis: Die KI weiß genau, was zu tun ist. Sie erhalten eine professionelle, sofort einsetzbare E-Mail mit passender Länge, Ton und Struktur.
Qualität sichern – kurzer Leitfaden
Die Qualitätssicherung bei KI-generierten Inhalten folgt einem klaren, praxiserprobten Prozess. Behandeln Sie die KI-Ausgabe wie den Entwurf eines neuen Mitarbeiters – prüfen, verbessern, freigeben.
Briefing prüfen
Ist das Ziel klar? Sind Empfänger, Format und Tonalität definiert? Ein gutes Briefing ist die Basis für gute Ergebnisse.
Erstfassung erzeugen
Geben Sie den Prompt ein und lassen Sie die KI eine erste Version erstellen. Diese ist der Ausgangspunkt für die Verfeinerung.
Review durchführen
Prüfen Sie Fakten, Ton, Länge und DSGVO-Aspekte. Stimmt die Fachsprache? Sind alle Angaben korrekt? Ist der Datenschutz gewahrt?
Nachschärfen per Prompt
Geben Sie gezieltes Feedback: „Kürzer", „konkreter", „ohne Floskeln", „mehr technische Details". Iterieren Sie, bis das Ergebnis passt.
Abnahme & Speicherung
Dokumentieren Sie bewährte Prompts als Vorlagen. Bauen Sie eine interne Bibliothek auf, die Ihr Team wiederverwenden kann.

Wichtig: Die finale Verantwortung liegt immer beim Menschen. KI ist ein Werkzeug zur Effizienzsteigerung, kein Ersatz für fachliche Prüfung und Freigabe.
Sichere Umsetzung im Autohaus
Datenschutz beachten
Geben Sie keine personenbezogenen Daten unkontrolliert in externe Dienste ein. Nutzen Sie anonymisierte Beispiele für Prompts oder setzen Sie auf lokale/europäische Lösungen mit DSGVO-Konformität.
Transparenz wahren
KI ist Assistenz, nicht Entscheidungsträger. Die finale Entscheidung und Verantwortung bleiben beim Menschen. Dokumentieren Sie, wo KI unterstützt, und behalten Sie die Kontrolle.
Prozesse strukturieren
Priorisieren Sie Use-Cases: Service-Kommunikation, Verkaufstexte, Teile/Logistik. Starten Sie mit klaren, abgegrenzten Anwendungsfällen und skalieren Sie schrittweise.
Metriken definieren
Messen Sie den Erfolg: Zeitersparnis, Conversion-Rate, Reklamationsquote, Termintreue. Nur was messbar ist, lässt sich verbessern und rechtfertigen.
Nächste Schritte: Vom Wissen zur Praxis
Sie haben die Grundlagen verstanden – jetzt geht es um die praktische Umsetzung. Der Einstieg in die KI-Nutzung im Autohaus erfolgt am besten schrittweise und strukturiert.
01
3 Pilot-Use-Cases auswählen
Starten Sie mit konkreten Anwendungsfällen, z.B. Service-Reminder, Gebrauchtwagen-Inserat, FAQ-Entwurf. Fokussieren Sie sich auf schnelle Erfolge.
02
Standardprompts erstellen & testen
Entwickeln Sie Vorlagen für wiederkehrende Aufgaben. Testen Sie verschiedene Formulierungen und dokumentieren Sie, was am besten funktioniert.
03
Team schulen (30–60 Min Quickstart)
Führen Sie eine kompakte Schulung durch. Zeigen Sie Live-Beispiele, lassen Sie das Team selbst ausprobieren und beantworten Sie Fragen direkt.
04
Ergebnisse messen, Vorlagen versionieren
Verfolgen Sie die Kennzahlen (Zeitersparnis, Qualität, Kundenzufriedenheit). Verbessern Sie Ihre Prompt-Bibliothek kontinuierlich basierend auf Erfahrungswerten.
Hinweis zu Urheberrechten
Eigene Inhalte
Diese Vorlage enthält keine fremden Bilder, Grafiken oder Zitate. Alle Texte sind neu formuliert und frei anpassbar. Sie können diese Inhalte ohne rechtliche Bedenken verwenden und modifizieren.
Ihre eigenen Materialien
Für eigene Logos, Bilder oder Markeninhalte stellen Sie bitte eigene Rechte sicher. Nutzen Sie nur Materialien, für die Sie die entsprechenden Nutzungsrechte besitzen oder die Sie lizenziert haben.
Externe KI-Dienste
Bei Nutzung externer KI-Modelle und -Anbieter: Prüfen Sie die Nutzungsbedingungen & DSGVO-Konformität. Achten Sie besonders auf Datenspeicherung, Datenverarbeitung und Rechte an generierten Inhalten.

Empfehlung: Dokumentieren Sie Ihre KI-Nutzung intern, klären Sie rechtliche Fragen vorab mit Ihrer Rechtsabteilung oder einem Fachanwalt, und bleiben Sie informiert über sich entwickelnde Rechtsprechung im KI-Bereich.
Schlussfolie
KI ist ein Werkzeug
Wert entsteht, wenn klare Ziele, saubere Prompts und messbare Prozesse zusammenkommen. Sie haben heute die Grundlagen kennengelernt – von den technischen Konzepten über Sprachmodelle bis zur praktischen Anwendung im Autohaus.
Der nächste Schritt liegt bei Ihnen: Wählen Sie Ihre ersten Use-Cases, erstellen Sie Ihre Prompt-Vorlagen, schulen Sie Ihr Team und messen Sie die Ergebnisse. KI wird Ihnen helfen, effizienter zu arbeiten – aber nur, wenn Sie sie gezielt und strukturiert einsetzen.
Kontakt & Support
Lenz Automotive KI
Wir unterstützen Sie bei der Einführung und Optimierung von KI-Lösungen in Ihrem Autohaus.