Jedes Jahr kauft, scannt und zerlegt A2MAC1 rund 70 Fahrzeuge. Nicht als Demonstration, sondern als Grundlage für einige der detailliertesten Kosten- und Engineering-Analysen im Automotive-Sektor.
Sascha Voglgsang, Director of Costing and Insights bei A2MAC1, sprach im Beyond Cost Podcast mit Sasan Hashemi darüber, was Benchmarking im industriellen Maßstab tatsächlich erfordert, was die Daten heute über EV-Kostenstrukturen zeigen und wo sich die Wettbewerbsunterschiede zwischen etablierten OEMs und chinesischen Herstellern zunehmend vergrößern.
„Benchmarking“ ist ein Begriff, der branchenübergreifend für alles verwendet wird – von einer schnellen Wettbewerbsanalyse bis hin zu einem vollständigen Engineering-Teardown. Sascha Voglgsang definiert ihn sehr präzise.
Bei A2MAC1 wird diese Definition im großen Maßstab operationalisiert. Der Prozess beginnt, bevor überhaupt eine einzige Schraube gelöst wird: Ein Fahrzeug wird anhand seiner Marktrelevanz und der Nachfrage von Kunden ausgewählt, gekauft und vollständig visuell in 3D gescannt. Anschließend erfolgt der Teardown systematisch, wobei die Tiefe der Analyse davon abhängt, wo das Engineering-Interesse liegt. Bei einem EV aus China bedeutet das zum Beispiel, bis auf die Ebene der Batteriezellchemie und der Halbleiterlieferanten herunterzugehen. Bei anderen Fahrzeugen verschieben sich die Prioritäten entsprechend.
Die meisten großen OEMs betreiben intern irgendeine Form von Benchmarking. Die eigentliche Frage ist jedoch, warum so viele von ihnen für die umfassendste Ebene auf einen externen Anbieter zurückgreifen.
Sascha Voglgsangs Antwort ist einfach: Quantität und Qualität.
Kein einzelner OEM kann über das Jahr hinweg konsistent Teardowns von 70 Fahrzeugen durchführen, über mehrere Regionen hinweg, mit einer standardisierten Methodik, die überall identisch angewendet wird. Ohne diese Skalierung bleibt jeder Vergleich zwischen einem chinesischen Newcomer und einem etablierten europäischen Hersteller bestenfalls unvollständig.
Skalierung allein reicht jedoch nicht aus. Der zweite Vorteil von A2MAC1 liegt in der Struktur und Granularität der Analyse. Bis hinunter zur Zellchemie, zur Rohstoffzusammensetzung und zur Identifikation einzelner Halbleiterhersteller zu gehen, erfordert eine Tiefe an Fachwissen, die über mehr als 25 Jahre aufgebaut wurde. Sascha Voglgsang beschreibt die Kombination aus Abdeckung und Detailtiefe als die „winning recipe“.
Technisches Benchmarking bildet seit über 25 Jahren die Grundlage von A2MAC1. Die Costing-Kompetenz kam später hinzu, nachdem eine Cost Engineering Beratung übernommen wurde. Sascha Voglgsang war Teil dieses Teams. Das Ziel war klar: Für jedes technisch analysierte Fahrzeug sollten auch die Kosten jedes Systems und jeder Komponente bewertet werden.
In der Praxis ist das deutlich anspruchsvoller, als es zunächst klingt, denn Kosten sind keine einfache Messgröße.
Konsistenz ist eine Voraussetzung. Skalierbarkeit ist die andere. Mit dem Ziel, künftig alle 70 Fahrzeuge pro Jahr zu kalkulieren (aktuell sind es 18), ist eine manuelle Expertenprüfung jedes einzelnen Parts nicht realistisch. Der Ansatz von A2MAC1 besteht darin, alles zu automatisieren, was automatisierbar ist, damit sich Ingenieure auf wirklich komplexe Fragestellungen konzentrieren können, zum Beispiel darauf, wie genau ein strukturelles Giga-Cast Bauteil hergestellt wurde.
Zwei konkrete AI-Anwendungen werden bei A2MAC1 bereits eingesetzt.
Die erste ist ein Inference-Agent, der Part-Eigenschaften direkt aus Teardown-Bildern extrahiert. Statt dass ein Cost Engineer hunderte Fotos manuell prüfen muss, um Details zu identifizieren, etwa ob ein Bauteil beschichtet ist, übernimmt der Agent diese Identifikation. Die Bottom-up-Costing-Kalkulation erhält dadurch schneller die richtigen Inputs.
Die zweite Anwendung ist der Cost Measure Ideator. Mit einer konsistent strukturierten Datenbank, die hunderte Fahrzeuge umfasst, kann das System automatisch Cost-Reduction-Ideen identifizieren. Wenn für eine bestimmte Part-Kategorie irgendwo in der Datenbank eine kosteneffizientere Lösung existiert, kann diese erkannt und als konkrete Maßnahme vorgeschlagen werden.
AI fungiert in diesem Kontext auch als Qualitätskontrolle: Jede Inkonsistenz in den Daten zeigt sich im Ergebnis und wird damit sichtbar und korrigierbar. Die Methodik selbst – also welche Design-to-Cost Hebel für welche Part-Gruppen gelten – benötigt jedoch weiterhin menschliche Steuerung. Subject-Matter-Experts definieren die Regeln, das System wendet sie im großen Maßstab an.
Die Teardown-Datenbank von A2MAC1 über hunderte Fahrzeuge und mehrere Jahre hinweg macht Muster sichtbar, die sonst schwer zu quantifizieren wären. Sascha Voglgsang hebt drei davon hervor.
Bei Batterien und Power Electronics zeigt die Entwicklung klar in Richtung weniger, stärker integrierter Komponenten. Cell-to-pack, cell-to-chassis und konsolidierte Power-Electronics-Module reduzieren Gehäusegewicht, Verkabelungskomplexität und die Gesamtkosten der Architektur. Legacy OEMs entschieden sich in den frühen Jahren der EV-Unsicherheit für modulare Plattformen, um flexibel zu bleiben. Diese Entscheidung hatte ihren Preis.
Das Beispiel BYD ist besonders eindrucksvoll. Im Jahr 2020 stammten lediglich 2 % der Halbleiter in einem BYD-Onboard-Charger von chinesischen Lieferanten. Bis 2025 liegt dieser Anteil bei über 60 %. Dieser Wandel ist bewusst gesteuert, konsequent umgesetzt und bringt einen zusätzlichen Vorteil: Lokalisierte Supply Chains reduzieren oft nicht nur Kosten, sondern auch den Carbon Footprint. Wie Sascha Voglgsang erklärt, wirken europäische Carbon-Footprint-Regulierungen im Grunde wie ein Zoll. Beide Effekte verstärken sich gegenseitig.
Während europäische OEMs historisch in langen Plattformzyklen geplant haben, iterieren chinesische Hersteller jährlich. Jeder BYD-Teardown seit 2020 zeigt inkrementelle Verbesserungen, Architektur-Optimierungen und weitere Anpassungen der Supply Chain. Der kumulative Effekt ist ein erheblicher und sich verstärkender Kostenvorteil.
Der nächste große Schritt sind software-defined vehicles. A2MAC1 kann die elektrische Architektur analysieren und erkennen, welches ECU welchen Aktuator steuert. Darauf aufbauend lässt sich der Should-Cost von Software auf Basis der funktionalen Anforderungen abschätzen. Doch wie Sascha Voglgsang es formuliert: Software kann man nicht auseinanderbauen.
Die Daten sind vorhanden. Die entscheidende Frage ist, ob Ihre Organisation daraus einen Wettbewerbsvorteil machen kann.
Hören Sie sich die komplette Episode an und erfahren Sie mehr darüber, wie Benchmarking im industriellen Maßstab in der Praxis funktioniert, wie AI das Cost Engineering bei A2MAC1 zunehmend verändert und was die Teardown-Daten über die Wettbewerbsdynamik zwischen chinesischen OEMs und etablierten Herstellern zeigen.