Entscheidungsintelligenz für den Motorsport: Natzka und AF Corse am Politecnico di Milano
Welches Bauteil benötigt Aufmerksamkeit? Wann sollte das Team es austauschen? Welche Beweise stützen diese Entscheidung? Und wo muss menschliches Urteilsvermögen die Kontrolle behalten? Dies sind wiederkehrende Entscheidungen, die Sicherheit, Leistung, Einsatzbereitschaft und Kosten beeinflussen. Genau diese Fragen beantwortet die Entscheidungsanalyse im Motorsport.
Mehr als 100 Fahrzeuge · Mehr als 10.000 überwachte Komponenten ·
Etwa 100 Ereignisse pro Jahr · 80 % Automatisierung · 90 % schnellere Berichterstattung
Am 18. Juni 2026 stellten AF Corse und Natzka diese Entscheidungen im Rahmen der Use Case Session des Osservatorio Data & Decision Intelligence am Politecnico di Milano vor. Vor fast 1.000 Teilnehmern im Saal und im Livestream präsentierten AF Corse Team Manager Luca Corradini und unser CPO Andrea Masiero das proaktive Monitoring-Projekt Lifing.
Die Session bot dem Publikum ein konkretes Beispiel für Entscheidungsintelligenz im Motorsport: Telemetrie, Vorhersagemodelle, Arbeitsabläufe und Expertenwissen bilden ein durchgängiges Entscheidungssystem. Darüber hinaus reicht die Relevanz weit über den Rennsport hinaus. Das Projekt zeigt, was passiert, wenn eine Organisation aufhört, Daten als Ergebnis zu betrachten und sie stattdessen um die notwendigen Entscheidungen herum organisiert.
Eine wertvolle Entscheidung, die tausendfach wiederholt wurde
Das operative Umfeld ist die Ferrari 296 Challenge . Das Projekt umfasst 100 Fahrzeuge und mehr als 10.000 Komponenten, die in 40 funktionale Systeme gruppiert sind, bei rund 100 Veranstaltungen weltweit und mit etwa 12.000 Kilometern pro Fahrzeug und Jahr.
Im Vergleich zu anderen Fahrzeugen ist der Fuhrpark klein. Jede einzelne Komponente erfordert jedoch präzise Fertigung und stellt einen erheblichen Wert dar. Ein zu früher Austausch verschwendet Geld. Ein zu später Austausch gefährdet Sicherheit, Leistung und Fahrkomfort. Präzision ist daher wichtiger als die Stückzahl.
Die Lebensdauerberechnung ermittelt die verbleibende Nutzungsdauer jeder Komponente. Konkret zeigt das System dem Team an, wie viele Kilometer oder Betriebsstunden noch verbleiben, bevor ein Teil überprüft oder ausgetauscht werden muss.
Jede Empfehlung berücksichtigt drei Prioritäten. Sicherheit steht an erster Stelle. Leistung folgt. Die dritte Priorität ist die Erfahrung der Gentleman-Fahrer, die an der Meisterschaft teilnehmen. Die Herausforderung besteht also nicht nur darin, die Lebensdauer von Bauteilen präzise abzuschätzen, sondern diese Schätzung auch in eine zeitnahe, nachvollziehbare und umsetzbare Entscheidung zu verwandeln. Das ist die Kernaufgabe intelligenter Entscheidungsfindung im Motorsport.
Wie Entscheidungsintelligenz im Motorsport ein Rennen mit dem nächsten verbindet
Das stärkste Element des Projekts ist nicht eine isolierte Vorhersage. Vielmehr ist es der kontinuierliche Kreislauf, der die Ereignisse eines Augenblicks mit den Entscheidungen verknüpft, die der nächste Augenblick erfordert.
Im Rennen: Erfassen, was unter Druck passiert
Während Training, Qualifying und Rennen erfasst das Team Kilometerstand, Verschleiß, planmäßige Kontrollen und unerwartete Austausche. Geschwindigkeit ist wichtig, aber auch Benutzerfreundlichkeit. Die Mitarbeiter in der Boxengasse benötigen zuverlässige Informationen, ohne sich mit Tabellenkalkulationen, unzusammenhängenden Systemen oder inkonsistenten Datenstrukturen herumschlagen zu müssen.
Daher haben wir den bisherigen Excel-basierten Prozess durch eine adaptive Benutzeroberfläche ersetzt, die sich an Rolle, Kontext und Aufgabe des Nutzers anpasst. So unterstützt die Technologie die Arbeit, anstatt die Mitarbeiter, die operative Anrufe tätigen, zu verlangsamen.
Nach dem Rennen: Telemetriedaten in einen gemeinsamen Kontext umwandeln
Nach jedem Ereignis konsolidiert die Plattform die Telemetriedaten, aktualisiert den tatsächlichen Komponentenverbrauch, analysiert Fehlfunktionen und erstellt Renn- und Kundenberichte. In diesem Moment wird aus den Rohdaten ein gemeinsames Lagebild. Ingenieure, Mechaniker, Logistikteams und Manager arbeiten mit denselben Informationen, da ein einheitliches, konsistentes Datenmodell zugrunde liegt.
Die Plattform aktualisiert zudem die verbleibende Lebensdauer jeder Komponente. Bei Verbrauchsmaterialien und nicht kritischen Teilen erfolgt dies automatisch, wodurch wiederkehrende manuelle Arbeiten entfallen. Bei kritischen Komponenten hingegen empfiehlt sie eine Maßnahme und bittet einen Experten um deren Bestätigung.
Planung: Vor Beginn der nächsten Veranstaltung entscheiden.
Die wichtigste Phase richtet sich nach vorn. Das System kombiniert aktualisierte Komponentenlebensdauern mit anstehenden Rennstrecken, dem Veranstaltungskalender und erwarteten Fahrprofilen. Anschließend identifiziert es die Komponenten mit dem höchsten Risiko, schlägt rechtzeitige Austauschmaßnahmen vor und unterstützt die Logistik- und Teilnehmerplanung.
Das Ergebnis ist kein weiterer Bericht. Es ist eine strukturierte Entscheidung:
- Was zu überprüfen ist;
- Was soll ersetzt werden?
- Welche Teile sollen bestellt werden?
- Was kann sicher weiterlaufen?
- Wer muss der Maßnahme zustimmen?
- Und was muss als Nächstes geschehen?
Dies ist der Punkt, an dem die Entscheidungsfindung im Motorsport von der Überwachung zur Umsetzung übergeht.
Warum mehr KI allein das Problem nicht gelöst hätte
Das Projekt benötigte eine solide Grundlage, bevor sich prädiktive Modelle oder eine tiefgreifendere Automatisierung auszahlen konnten. Vor der Implementierung konnten verschiedene Teams dieselbe Komponente unterschiedlich beschreiben oder programmieren. Daher begannen wir mit einem gemeinsamen Datenmodell: einheitliche Metadaten, klare Entscheidungsregeln und vernetzte Arbeitsabläufe über den gesamten Rennzyklus hinweg.
Dieser Schritt klingt weniger spannend als prädiktive Analysen, ist aber der Grund, warum die Automatisierung funktioniert. Ohne eine gemeinsame Sprache automatisiert ein Unternehmen lediglich Verwirrung. Mit einem gemeinsamen Kontext kann das System jedoch Telemetriedaten, Komponentenhistorie, Betriebsbedingungen, Geschäftsregeln und Expertenmeinungen in die jeweilige Entscheidung einbeziehen.
Dies spiegelt ein grundlegendes Prinzip von Natzka wider: Man sollte von der Entscheidung ausgehen, nicht von der Technologie. KI ist der Wegbereiter. Zuverlässige Daten, gemeinsame Geschäftslogik, explizite Arbeitsabläufe und klare Governance sind die Voraussetzung für eine erfolgreiche Umsetzung.
Von Daten zu expliziten Entscheidungsabläufen
Herkömmliche Analysemethoden zeigen den Zustand von Komponenten, den bisherigen Verbrauch und das prognostizierte Risiko. Doch Transparenz allein garantiert noch kein Handeln. Für eine Entscheidung braucht es außerdem Verantwortlichkeiten, Regeln und einen klaren Umsetzungsweg.
Wer prüft die Empfehlung? Welcher Schwellenwert löst einen Austausch aus? Wann kann eine Aktion automatisch erfolgen? Wann schaltet sich ein Techniker ein? Und was geschieht nach der Genehmigung? Die Plattform macht diese Elemente transparent. Sie verknüpft die Entscheidungsgrundlagen mit dem ausführenden Workflow, sodass Empfehlungen in Inspektionen, Austauschprozesse, Berichte, Logistikplanung oder zukünftige Beschaffungen einfließen können.
Das ist der Unterschied zwischen Analytik und Entscheidungsintelligenz. Analytik hilft einer Organisation, die aktuelle Situation zu verstehen. Entscheidungsintelligenz hilft ihr, die nächsten Schritte festzulegen und die daraus resultierenden Maßnahmen zu koordinieren.
Automatisierung, wo sie hilft, menschliche Kontrolle, wo sie wichtig ist
Das Projekt wurde von einem vollständig manuellen Prozess auf einen Automatisierungsgrad von rund 80 % umgestellt. Zudem wurde die Berichtserstellungszeit um etwa 90 % verkürzt, sodass die Ergebnisse nahezu in Echtzeit vorliegen, anstatt stundenlange manuelle Nachbearbeitung nach dem Rennen zu erfordern.
Der verbleibende menschliche Eingriff ist keine unvollständige Automatisierung, sondern eine bewusste Designentscheidung. Routinevorgänge werden beschleunigt. Nicht kritische Ersetzungen folgen festgelegten Regeln. Berichte werden automatisch generiert. Sicherheitskritische und rennentscheidende Entscheidungen erfordern jedoch weiterhin die Bestätigung durch Experten.
Dieses Modell mit menschlicher Beteiligung schafft klare Grenzen. Die Plattform bietet Schnelligkeit, Konsistenz, Evidenz und Handlungsempfehlungen. Der Experte behält Urteilsvermögen, Verantwortung und die endgültige Entscheidung. Kurz gesagt: Ziel ist nicht maximale Autonomie, sondern das richtige Maß an Autonomie für jede Entscheidung.
So kombiniert die Entscheidungsfindung im Motorsport quantitative Daten wie Kilometerstand, Betriebsstunden und Telemetrie mit dem qualitativen Wissen von Ingenieuren und Fahrern. Anstatt eine Wahl zwischen menschlicher Expertise und Automatisierung zu erzwingen, lässt das System beide dort zum Tragen kommen, wo sie den größten Mehrwert bieten.
Von der vorausschauenden Überwachung bis zum präskriptiven Handeln
Die nächste Stufe der Entscheidungsfindung im Motorsport konzentriert sich auf Ausnahmeereignisse. Regen, Unfälle, Aufpralle und ungewöhnliche Streckenbedingungen folgen keinem gleichmäßigen Durchschnittsverhalten. Folglich können sie die Lebensdauer von Bauteilen auf nichtlineare Weise verkürzen, die herkömmliche Modelle nur schwer erfassen können. Das System muss daher mehr leisten, als nur von den Nennbedingungen zu extrapolieren.
Die neue Ausrichtung geht hin zu einem stärker präskriptiven, handlungsorientierten Entscheidungsprozess. Tritt eine Anomalie auf, berechnet die Plattform die verbleibende Nutzungsdauer der betroffenen Komponenten neu und schlägt eine priorisierte Reaktion vor: Was ist zu prüfen, was ist auszutauschen, was ist zu überwachen, welche Maßnahmen sind am dringendsten und warum werden sie empfohlen? Experten definieren weiterhin die Betriebsgrenzen und genehmigen kritische Maßnahmen. Anstelle einer einfachen Warnmeldung erhalten sie jedoch einen strukturierten, evidenzbasierten Aktionsplan.
Eine zweite Entwicklung rückt den Prozess näher an die Beschaffung heran. Das Team wird Lieferantenanfragen für Komponenten, die sich dem Ende ihrer Nutzungsdauer nähern, antizipieren und so den Entscheidungsprozess in die Lieferkette ausweiten. Zusammengenommen führen diese Schritte dazu, dass der Anwendungsfall von der vorausschauenden Überwachung hin zu einer koordinierten, agentengestützten Ausführung weiterentwickelt wird.
Was können Unternehmensleiter aus diesem Erfahrungspfad lernen?
Der Motorsport schafft ein extremes Betriebsumfeld. Dennoch lassen sich die gewonnenen Erkenntnisse gut auf andere Branchen übertragen, denn dieselbe Logik, die der Entscheidungsfindung im Motorsport zugrunde liegt, gilt für jede wiederkehrende, folgenreiche Entscheidung.
Ausgangspunkt ist die wiederkehrende Entscheidung
Beginnen Sie nicht mit der Datenquelle oder dem Modell. Definieren Sie stattdessen zunächst die Entscheidung: Wem obliegt die Verantwortung, welche Eingangsgrößen sind relevant, welche Regeln gelten, welche Risiken zählen und welche Maßnahmen sollten folgen?
Gemeinsamen, entscheidungsreifen Kontext schaffen
Daten aus verschiedenen Systemen sind nur bedingt wertvoll, wenn Teams sie unterschiedlich interpretieren. Ein gemeinsames Datenmodell hingegen schafft eine einheitliche operative Grundlage für die Arbeit von Menschen und KI.
Empfehlungen in konkrete Arbeitsabläufe umwandeln
Die gewonnenen Erkenntnisse sollten nicht in einem Dashboard enden. Sie sollten mit Zuständigkeiten, Genehmigungen, Ausnahmen und nachgelagerten Aktionen verknüpft sein.
KI innerhalb festgelegter Grenzen anwenden
Ziel ist es nicht, jede Entscheidung zu automatisieren. Ziel ist es vielmehr, festzulegen, wo KI unterstützen, beschleunigen oder ausführen soll und wo Expertenurteile weiterhin die Kontrolle behalten müssen.
Geschäftsergebnisse messen
Schnellere Berichterstattung ist wertvoll. Die weitreichenderen Auswirkungen ergeben sich jedoch aus weniger Fehlern, besserer Komponentenauslastung, effektiverer Kostenkontrolle und zuverlässigerer Vorbereitung auf das nächste Ereignis. Dies sind messbare operative Ergebnisse, nicht nur technische Verbesserungen.
Die Qualität der Entscheidungen beginnt schon vor dem Eintreten des Drucks.
Die Session am Politecnico di Milano machte Decision Intelligence greifbar. Das Lifing-Projekt verknüpft Telemetrie, prädiktive Analysen, Geschäftsregeln, Workflows und Expertenwissen um eine zentrale operative Frage: Was soll als Nächstes geschehen? Das ist der Unterschied zwischen dem Erkennen eines Risikos und dessen Management. Es ist auch der Unterschied zwischen KI als isolierter Fähigkeit und KI als Teil eines bewährten Betriebsmodells.
Im Rennsport zeigt sich das sichtbare Ergebnis auf der Strecke. Die Qualität von Entscheidungen formt sich jedoch viel früher: wenn Teams ihre Informationen strukturieren, Verantwortlichkeiten klären, Szenarien abwägen und die nächste Aktion vorbereiten, bevor der Druck entsteht. Das ist der Wert intelligenter Entscheidungen im Motorsport.
Wir helfen Organisationen dabei, die gleiche Disziplin auch in anderen risikoreichen Umgebungen aufzubauen: ein gemeinsamer Kontext, explizite Entscheidungsprozesse, gesteuerte KI-Ausführung und Ergebnisse, die sich mit jedem Zyklus verbessern.
