Transport
2025: Das Jahr, in dem selbstfahrende Autos zum Mainstream werden?
Wann werden selbstfahrende Autos eintreffen?
Wenn es um disruptive Technologien geht, die scheinbar um die Ecke liegen, erscheinen nur wenige so einflussreich für Wirtschaft und Gesellschaft wie autonome oder „selbstfahrende“ Fahrzeuge, abgesehen vielleicht von AGI (Artificial General Intelligence).
Das liegt an der enormen Anzahl von Arbeitsplätzen und Aufgaben, die Menschen zum Fahren von Fahrzeugen benötigen. Das beginnt mit den Fahrberufen, wie Taxifahrern, Lieferdiensten, Lkw‑Fahrern usw. Aber grundlegend führt ein Großteil der Weltbevölkerung diese Aufgabe unbezahlt aus und verschwendet oft Stunden ihres Tages, jeden Tag, hinter dem Steuer.
Das stellt einen massiven Produktivitätsverlust dar, der die Wirtschaft, unser tägliches Leben und die Kultur belastet. Deshalb wurden bereits 2023 Robotaxis prognostiziert, bis zu vier Billionen Dollar an Einnahmen zu erzielen.
Allerdings ist die Entwicklung wirklich autonomer Fahrzeuge schwierig, und bislang hat der vollständig automatisierte Transport noch nicht die Straßen erreicht. Wie nah sind wir also an einer großflächigen Einführung selbstfahrender Fahrzeuge?
Massives Potenzial von Selbstfahrenden
Der Kern der Wirtschaftlichkeit liegt darin, dass Robotaxis den Bedarf an eigenem Autobesitz reduzieren könnten, solange die Fahrten billig genug sind.
Dies kann eine positive Rückkopplungsschleife erzeugen, bei der niedrige Preise die Nachfrage steigern, was die Auslastung der Robotaxis erhöht, die Kapitalkosten weiter amortisiert, die Preise senkt und die Nachfrage erneut erhöht usw.
Es wird festgestellt, dass, wenn Dienstleister dies auf 0,25 $ pro Meile senken können, autonome Taxidienste „kosteneffizienter sein werden als 95 % der Kurzstreckenreisen.“
Die Wirtschaftlichkeit von Selbstfahrenden wird noch klarer, wenn sie den Güterverkehr wie Lkw und Schiffe adressieren. Hier sind Fahrer und Besatzungen lediglich Kosten, die aus der Unternehmensstruktur entfernt werden können, wenn die autonomen Systeme zuverlässig genug sind, sie zu ersetzen.
Quelle: ARK Invest
Insgesamt besteht kein Zweifel daran, dass selbstfahrende Fahrzeuge massive Geldmaschinen wären, weshalb zahlreiche Technologieunternehmen zig Milliarden in die Entwicklung dieser Technologie stecken. Aber es scheint ein schwieriges Rätsel zu sein.
Aufbau des Selbstfahr‑Tech‑Stacks
Unterstützende Technologien
Bevor wir den Kern autonomer Fahrzeuge – die KI, die sie steuert – diskutieren, können wir kurz erläutern, warum das letzte Jahrzehnt selbstfahrende Autos, aber auch Drohnen und andere Geräte, wirtschaftlich machbar gemacht hat.
Ein Grund ist der fallende Preis von Sensoren und Rechenleistung. Man vergisst leicht, dass das erste iPhone erst 2007 auf den Markt kam und ein Telefon mit guter Kamera, das wie ein Mini‑Computer funktionierte, damals eine Revolution war – weniger als 20 Jahre zurück.
Seitdem sind Optik, Sensoren, Chips und andere elektronische Bauteile nur günstiger, leistungsfähiger und zuverlässiger geworden.
Der Aufstieg der Elektrofahrzeuge seit dem ersten Tesla Roadster 2008 hat ebenfalls die Funktionsweise von Fahrzeugen verändert. Das neue Elektroauto kann dank seiner riesigen Batterie und des Antriebsstrangs enorme elektrische Leistung bereitstellen, sodass die Stromversorgung der Selbstfahr‑Chips und ihrer Sensoren fast trivial wird.
Elektroautos sind zudem mechanisch deutlich zuverlässiger, können viel längere Strecken mit weniger Verschleiß zurücklegen, und ihr „Kraftstoff“ ist pro Meile insgesamt viel günstiger – sie sind also die perfekten „Robotaxis“, die den ganzen Tag für viele Nutzer fahren. Im Vergleich dazu hätte die Selbstfahr‑Technologie bei Verbrennungsmotoren (ICE) viel schlechtere Wirtschaftlichkeit.
Insgesamt sind heutige Autos bereits praktisch Computer auf Rädern, mit 300–1 000 Chips pro Fahrzeug, manche EVs sogar bis zu 3 000 Chips. Es fehlt nur noch das „Gehirn“, das sie selbstständig steuern kann.
Quelle: Polar Semi
Verständnis von Straßen
Für die grundlegendsten Funktionen, wie das Erkennen der zu fahrenden Straße von Punkt A nach Punkt B, sind die meisten Selbstfahr‑KI seit über einem Jahrzehnt völlig fähig, besonders seit der massenhaften Verbreitung von GPS und „Karten“-Apps, die die nötigen Daten liefern.
Der knifflige Teil besteht darin, dass das Auto verstehen muss, was sich auf der Straße ändert: Wetterbedingungen, andere Autos, Fußgänger, Fahrräder, Tiere usw.
Auch hier hat sich der allgemeine Fall relativ schnell gelöst, mit Systemen, die auf Autobahnen „assistiertes Fahren“ ermöglichen – ein deutlich weniger herausforderndes Umfeld, das bereits in den meisten High‑End‑Autos angeboten wird.
Komplexere Situationen wie Baustellen, Innenstadtbereiche, das Vorhandensein von Fußgängern und Verkehrsunfälle sind jedoch schwieriger zu bewältigen.
Im Allgemeinen werden Selbstfahr‑Systeme entlang eines Spektrums eingestuft, von reiner Assistenz zur Geschwindigkeitsstabilisierung und zum Einparken bis hin zum idealisierten perfekten Selbstfahrzeug. Die höchste Stufe, L5, also vollständige Automation ohne Fahrer, bleibt weiterhin schwer fassbar.
Quelle: MobileEye
In der Regel entsteht das Scheitern beim Erreichen von L5 durch seltene Fälle, die die KI verwirren. Zum Beispiel könnte ein Computer Schwierigkeiten haben, die Situation eines Autos in einem mehrstöckigen Parkhaus zu verstehen:
„Das Fahrzeug dachte, die im Parkhaus geparkten Autos blockierten die Straße. Es dachte: ‚Auto gestoppt, um die Bordsteinkante herumfahren.‘
Wenn ein System auf etwas stößt und nicht weiß, was zu tun ist, stoppt das Auto in vielen Fällen einfach.
Hardware für neuronale Netze
Der Großteil des jüngsten Fortschritts in der KI basiert auf Neuronalen‑Netz‑Technologien, die 2024 den Nobelpreis für Physik gewonnen haben. Im Gegensatz zu herkömmlicher Berechnung, die für jede Situation ein starres Befehlsset erfordert, können neuronale Netze sich an ihre Trainingsbedingungen anpassen und die passende Reaktion liefern.
Quelle: Nobel Prize
Das macht sie von Natur aus besser im Umgang mit „schmutzigen“ Situationen, bei denen Eingaben stark variieren und die Daten für einen Computer stets etwas verwirrend („rauschend“) sind.
Lange Zeit wurden neuronale Netze auf GPUs trainiert und ausgeführt, indem Grafik‑Karten zu KI‑Hardware umfunktioniert wurden. Neuerdings wird spezielle Hardware für KI und neuronale Netze entwickelt.
Unter anderem sind Neural‑Network‑Prozessoren (NNPs) besonders relevant für Selbstfahr‑KI. Auch Neural‑Processing‑Units (NPUs) oder neuromorphe Chips genannt, können eine Operation mit nur einer Berechnung erledigen, wo allgemeine Hardware Tausende benötigen würde.
Wegen dieser Energieeffizienz sind NPUs beliebt für das sogenannte „Edge‑Computing“, bei dem Berechnungen vor Ort statt in der Cloud durchgeführt werden.
Da Selbstfahr‑Systeme zuverlässig, sehr reaktionsschnell und unabhängig von einer Verbindung sein müssen, setzen sie größtenteils auf Edge‑Computing, das ein neuronales Netz lokal ausführt, selbst wenn das Training zuvor in der Cloud erfolgte.
Die richtige Technologie auswählen
Geofencing vs. Freies Fahren
Warum Geofencing
Eine zentrale Entscheidung für zukünftige Selbstfahr‑Unternehmen ist die Wahl zwischen Geofencing und freiem Fahren.
Geofencing bedeutet, dass ein Selbstfahr‑System speziell dafür trainiert wird, nur in einem begrenzten geografischen Gebiet zu operieren und dabei eine virtuelle Grenze für den Einsatzbereich setzt.
Die Idee ist, dass das KI‑System durch die Begrenzung des Gebiets die jeweiligen diese Straßen so gut lernen kann, dass man ihm vertraut, dort sicher zu fahren.
„Durch die Beschränkung auf eher ‚private‘ Orte oder sogar Gehwege statt Straßen kann die Art der Interaktionen des Fahrzeugs mit anderen Objekten – wie Autos, Lkw, Radfahrern und Fußgängern – erheblich reduziert werden.“
Robert Day – Direktor für Automobil‑Partnerschaften bei Arm’s Automotive and IoT.
Durch die Reduktion der Fälle, die die KI bewältigen muss, sowie der möglichen Wege, sinkt der Rechenaufwand stark, was wiederum die benötigte Hardware beeinflusst.
„Die durch Geofencing gesetzten Grenzen haben tiefgreifende Auswirkungen auf die Fähigkeiten, die ein autonomes Fahrzeug benötigt, und damit auf die Hardware, die die autonomen Systeme antreibt.“
Robert Day – Direktor für Automobil‑Partnerschaften bei Arm’s Automotive and IoT.
Allerdings schränkt das die Einsatzmöglichkeiten autonomer Fahrzeuge stark ein. Jede neue Stadt erfordert ein individuelles Trainings‑Datenset, meist durch jahrelanges manuelles Fahren in den jeweiligen Gebieten vor dem Launch.
Das macht den Ansatz recht kostenintensiv.
Es macht Selbstfahr‑Autos zudem nur für Robotaxi‑Unternehmen attraktiv, während Privatpersonen wahrscheinlich weiterhin ein eigenes Auto besitzen wollen, weil sie gelegentlich außerhalb der geofence‑Gebiete fahren möchten – diese beschränken sich meist auf das Stadtzentrum oder nur eine Stadt.
Bleibt die Branche in diesem Paradigma stecken, werden die meisten erwarteten Vorteile der massenhaften Robotaxi‑Adoption einfach nicht realisiert.
Rechtliche & geschäftliche Implikationen von Geofencing
Gleichzeitig kann das direkte Streben nach uneingeschränktem Selbstfahren kontraproduktiv sein.
Es kann die Einführung autonomer Dienste verzögern, weil das System überall perfekt sein muss, anstatt zunächst in einer begrenzten Liste von Städten zu starten, wo bereits Millionen Nutzer erreicht werden könnten.
Ein weiteres Problem sind die Regelungen rund um Selbstfahr‑Systeme. Regulierungsbehörden waren zwar zurückhaltend, aber bereit, die langsame Einführung geofence‑basierter Lösungen zu akzeptieren, besonders wenn die Sicherheit in einem bestimmten Gebiet nachgewiesen wurde.
Eine globale, uneingeschränkte Genehmigung für Selbstfahr‑Autos würde jedoch nicht nur lokale Genehmigungen, sondern nationale Gesetze und Vorschriften erfordern, die noch nicht existieren.
Da Gesetze oft langsamer voranschreiten als die Technologie, könnte dies ein ernsthaftes Hindernis für die uneingeschränkte Einführung von L5‑Autonomie darstellen, selbst wenn alle technischen Probleme bereits gelöst sind.
LIDAR vs. Nur‑Kameras
Ein weiterer Diskussionspunkt in der Branche ist die Nutzung von LIDAR (Light Detection and Ranging, „Laser‑Radar“). LIDAR verwendet Laserstrahlen, um nahe Objekte zu erfassen und ein Echtzeit‑3D‑Modell der Umgebung zu erzeugen.
Quelle: Autoweek
LIDAR‑Systeme werden meist oben auf Selbstfahr‑Autos montiert, was zu einer eher sperrigen Anbringung führt.
Ein Vorteil von LIDAR ist, dass es mehr sehen kann als Kameras und besonders gut Entfernungen bewertet – das ist besonders nützlich, um Unfälle bei hohen Geschwindigkeiten zu vermeiden. Zudem funktioniert es perfekt bei Dunkelheit oder schlechten Lichtverhältnissen.
Quelle: Forbes
Oft wird LIDAR zusammen mit Radar eingesetzt, um Objekte selbst unter schwierigen Bedingungen wie Nebel zu erkennen.
Die meisten Selbstfahr‑Technologien setzen auf LIDAR, um die Sicherheit zu erhöhen, mit Ausnahme von Tesla (TSLA ), doch LIDAR bringt einige Nachteile mit sich.
Der erste ist der Preis. Da die meisten High‑End‑LIDAR‑Systeme zwischen 70 000 $ und 80 000 $ kosten, machen sie selbstfahrende Autos recht teuer. Das muss nicht für immer gelten, da Anzeichen dafür vorliegen, dass LIDAR kürzlich stark preislich gesunken ist, besonders bei Low‑End‑LIDARs, was sie kommerziell attraktiver machen könnte.
„Es geht sowohl um das Volumen als auch um die Technologie selbst. Die Automobilindustrie setzt auf Skalierung, um Kosten zu senken. Wenn das Anwendungsvolumen steigt, sinken die Kosten.
Ein LIDAR‑Modul kostete beispielsweise früher 30 000 Yuan (ca. 4 100 $), jetzt kostet es nur noch rund 1 000 Yuan (ca. 138 $) – ein dramatischer Rückgang.“
LIDAR ist eine recht komplexe Technologie mit vielen beweglichen Teilen (rotierende Mini‑Spiegel), was einer der Gründe für die hohen Kosten ist und Wartung sowie Zuverlässigkeit erschwert.
Schließlich wird jedes KI‑Modell, das mit LIDAR‑Daten trainiert wurde, wahrscheinlich dauerhaft LIDAR benötigen, da diese Anforderung tief im neuronalen Netz verankert ist. Unternehmen, die LIDAR für das Training ihrer Selbstfahr‑Systeme einsetzen, könnten also langfristig daran festhängen.
Wie sicher müssen selbstfahrende Autos sein?
Eine zentrale Frage für Regulierer und Nutzer ist, wie sicher ein selbstfahrendes Auto sein muss. Theoretisch, wenn Selbstfahr‑Autos fünfmal sicherer als ein menschlicher Fahrer sind, sollten sie schnell übernommen und als Fortschritt begrüßt werden.
In der Praxis sind Menschen jedoch sehr zurückhaltend, einer Maschine zu vertrauen, die nur marginal sicherer ist als fehleranfällige Menschen. Menschen neigen zudem dazu, ihre eigene Fahrkompetenz zu überschätzen.
Selbst wenn Selbstfahr‑Systeme seit Jahren deutlich sicherer als von Menschen gesteuerte Autos sind (wie die Tesla‑Daten 2023 bereits zeigen), bleibt die Wahrnehmung, dass jeder Unfall ein „Versagen“ der KI darstellt.
Die Aufzeichnung jedes Unfalls durch die Kameras des Fahrzeugs und die Reaktionen der Mainstream‑ und Sozialen Medien tragen ebenfalls nicht zur Akzeptanz bei.
Quelle: ARK Invest
Daher wird wahrscheinlich ein sehr hoher Sicherheitsstandard von 10‑ bis 100‑mal sicherer als ein menschlicher Fahrer erforderlich sein, um die Genehmigung für uneingeschränktes L5‑Selbstfahren auf allen Straßen zu erhalten.
Selbstfahr‑Unternehmen
Swipe to scroll →
| Unternehmen | Kernmarkt | Technik‑Ansatz | Einsatz‑Status |
|---|---|---|---|
| Waymo | Robotaxi | Geofence, LIDAR + Radar | ~250 k bezahlte Fahrten/Woche in ausgewählten US‑Städten |
| Tesla | Consumer‑EV + Robotaxi | Nur Kameras | Texas‑Pilot; Sicherheitsfahrer an Bord |
| Baidu | Robotaxi | Multisensor (inkl. LIDAR) | Fahrerlose Operationen in China; Uber‑Partnerschaft |
| Zoox | Custom‑Robotaxi | Keine Räder/Pedale, LIDAR | NHTSA‑Ausnahme; Tests in mehreren US‑Städten |
| Aurora Innovation | Güter‑Lkw | Autonomie auf Autobahnen | Erste vollständig fahrerlose Fahrt (Mai 2025) |
| WeRide | Robotaxi | Multisensor‑Fusion inkl. High‑Line‑LIDAR | 24/7‑Pilot in Peking; Expansion in den VAE |
| Mobileye | ADAS & autonome Plattform | Kamera‑first, REM‑HD‑Mapping | Breite OEM‑Präsenz; sich entwickelnde Autonomie |
Waymo
(GOOGL )
Bei den tatsächlich eingesetzten Robotaxis kristallisiert sich ein klarer Führer heraus: das mit Google verbundene Waymo. Im April 2025 meldete Waymo bereits 250 000 bezahlte Robotaxi‑Fahrten pro Woche in den USA, hauptsächlich in Austin, Phoenix und der San‑Francisco‑Buchtregion, mit einer Million Meilen pro Monat.
Waymos Erfolg beruht auf einem frühen Start (das Unternehmen wurde 2010 gegründet, die Technologie reicht zurück bis 2005) und einem sehr vorsichtigen Ansatz: Die Robotaxis sind geofence‑basiert und stark auf hochwertige LIDAR‑Systeme angewiesen, wodurch Waymo im Rennen um sichere autonome Fahrten vorne liegt, wenn auch bislang nur in wenigen Gebieten.
Dies ermöglichte Waymo wertvolle Allianzen wie eine strategische Partnerschaft mit Toyota, dem weltweit größten Automobilhersteller nach Stückzahl (>10 Mio. pro Jahr).
Toyota und Waymo wollen ihre jeweiligen Stärken kombinieren, um eine neue autonome Fahrzeugplattform zu entwickeln. Parallel dazu werden die Unternehmen prüfen, wie Waymos autonome Technologie und Toyotas Fahrzeug‑Expertise genutzt werden können, um die nächste Generation persönlich genutzter Fahrzeuge (POVs) zu verbessern.
Toyota verpflichtet sich zu einer Gesellschaft ohne Verkehrsunfälle und will ein Mobilitätsunternehmen werden, das Mobilität für alle liefert.
Hiroki Nakajima – Executive Vice President von Toyota Motor Corporation
(Sie können mehr über Toyota in dessen dediziertem Investment‑Report lesen)
Tesla
(TSLA )
Der andere große Mitbewerber im Rennen um selbstfahrende Autos und Robotaxis ist Tesla.
Das Unternehmen hat den entscheidenden Vorteil, dass alle verkauften Fahrzeuge mit Kameras ausgestattet sind, die das Unternehmen für ausreichend hält, um seine KI zu trainieren – ohne LIDAR oder sogar Radar.
Das bedeutet, dass Tesla „kostenlos“ Millionen von Meilen an Trainingsdaten von Tesla‑Besitzern sammelt, die im realen Verkehr fahren. Im Gegensatz dazu müssen fast alle anderen Selbstfahr‑Unternehmen Fahrer bezahlen, um reale Straßen über Jahre hinweg in jedem geofence‑Gebiet zu befahren – was die Kosten stark erhöht.
Quelle: ARK Invest
Allerdings war die Einführung von Full Self‑Driving (FSD) durch Tesla ein seit Jahren immer wieder verschobenes „bald“-Versprechen (seit den Erwartungen autonomer Autos ab 2018), was zu harter Kritik wegen unrealistischer Erwartungen führte.
Dies könnte sich jedoch endlich ändern, da Texas Tesla Robotaxi im August 2025 eine Genehmigung für einen Ride‑Hailing‑Dienst erteilt hat, nach einem Testlauf in Austin seit Juni 2025. Derzeit ist noch ein Tesla‑Mitarbeiter an Bord als Sicherheitsmonitor.
Damit ist Tesla, wie immer, umstritten: Einige sehen die Texas‑Genehmigung als ersten Schritt zur großflächigen Einführung von FSD und den Sicherheitsmonitor als temporäres Problem, während andere glauben, Tesla wird nie wirklich autonome Robotaxis veröffentlichen.
Die Wahrheit liegt wahrscheinlich irgendwo dazwischen.
Theoretisch, wenn Menschen nur mit den Augen ein Auto steuern können, kann das auch eine KI – also nur Kameras – tun, und das sollte langfristig kein Problem sein. Gleichzeitig hat diese ambitionierte Strategie, die langfristig korrekt sein könnte, die kurzfristige Einführung von Tesla eindeutig behindert, egal wie positiv Elon Musk darüber spricht.
(Sie können mehr über Tesla in dessen dediziertem Investment‑Report lesen)
Baidu
Baidu, Chinas führende Suchmaschine, folgt den Spuren von Google mit Apollo Go, eigenen selbstfahrenden Autos.
Baidu hat in mehreren chinesischen Städten vollständig fahrerlose Operationen eingeführt und Sicherheitsfahrer aus den Fahrzeugen entfernt.
Baidu schloss im Juli 2025 einen Deal mit Uber ab , um seine fahrerlosen Autos weltweit außerhalb der USA und China zu bringen.
Die beiden Unternehmen sagten, die mehrjährige Partnerschaft werde „tausende“ von Baidus Apollo Go‑Autonomen Fahrzeugen weltweit bei Uber sehen.
Baidu stellte im zweiten Quartal 2024 bereits 899 000 Fahrten bereit. 2025 sollen Pilotzonen auf 20 Städte ausgeweitet werden.
2024 open‑sourcte Baidu seine autonome Fahrtechnologie, was den Trend chinesischer KI‑Technologie zu Open‑Source bestätigt, wie ein ähnlicher Schritt der generischen KI‑Sensationen DeepSeek zeigte.
Für den US‑Markt wird Baidu aufgrund von Handelskonflikten und Bedenken hinsichtlich Nutzerdaten wahrscheinlich wenig Fortschritt erzielen, könnte aber overseas ein ernstzunehmender Konkurrent zu Waymo und Tesla sein, besonders mit Unterstützung von Uber.
Zoox
(AMZN )
Zoox, ein Tochterunternehmen von Amazon, ist leicht an seinem einzigartigen Design zu erkennen: Es baut seine Robotaxis als eigens konzipierte Fahrzeuge, die von den üblichen Merkmalen eines normalen Autos abweichen.
Quelle: TechCrunch
Das Unternehmen hat eine Ausnahme vom erweiterten Automated Vehicle Exemption Program der National Highway Traffic Safety Administration erhalten, die es ihm erlaubt, seine eigens gebauten Robotaxis auf öffentlichen Straßen zu demonstrieren. Das ist ein wichtiger Schritt, da Zoox‑Robotaxis wesentliche Merkmale normaler Autos, wie Lenkrad und Pedale, nicht besitzen.
Zoox startete im Juni 2025 seine erste Produktionslinie für die Fahrzeuge, mit dem Ziel, mehr als 10 000 Robotaxis jährlich zu produzieren. Dies folgt den Tests in mehreren US‑Städten und der Expansion nach: Las Vegas, San‑Francisco‑Bucht, Seattle, Austin, Miami, Los Angeles und Atlanta.
Zoox plant nun, kommerzielle Robotaxi‑Angebote in Las Vegas, San Francisco und anschließend in Austin und Miami in den nächsten Jahren auszurollen.
(Sie können mehr über Amazon in dessen dediziertem Investment‑Report lesen)
WeRide
(WRD )
WeRide ist ein 2017 im Silicon Valley gegründetes Unternehmen mit Hauptsitz in China. Das Unternehmen hat weltweit zahlreiche Tests durchgeführt, insbesondere in den VAE, einem Gebiet, das dank einer Partnerschaft mit Uber jetzt expandiert. Es betreibt zudem einen 24/7‑Robotaxi‑Test in Peking.
Um mögliche Sichtbarkeitsprobleme bei Nacht zu adressieren, ist WeRides Robotaxi mit mehr als 20 Sensoren ausgestattet, darunter hochpräzise, hochdynamische Kameras und High‑Line‑LIDARs über das gesamte Fahrzeug verteilt.
Kombiniert mit seinem Multisensor‑Fusions‑Algorithmus und einer Hochleistungs‑Computing‑Plattform erreicht das System eine 360°‑toten‑Winkel‑freie Abdeckung in einem Erkennungsbereich von bis zu 200 m.
Mobileye
(INTC )
Mobileye ist ein in Israel ansässiges Unternehmen, das 2017 von Intel übernommen und 2022 erneut an die Börse gebracht wurde.
Obwohl das Unternehmen vielversprechende Technologien besitzt, könnten sich Schwierigkeiten anbahnen, wie im Juli 2025 berichtet, plant Intel Entlassungen und den Verkauf von 8 % seiner Beteiligung an Mobileye.
Dies könnte eher ein Spiegelbild allgemeiner Probleme bei Intel sein, da das Unternehmen ebenfalls in anderen Bereichen Entlassungen vornimmt.
Dies könnte jedoch weiterhin ein Problem für Mobileye darstellen, da es die verfügbaren Mittel und die Unterstützung durch die Muttergesellschaft verringern würde, was Mobileye im Vergleich zu Waymo oder Zoox benachteiligen könnte.
(Sie können mehr über Intel in dessen dedizierten Investment‑Report lesen)
Aurora Innovation
Das Unternehmen konzentriert sich stärker auf fahrerlose Lkw, mit Fokus auf Autobahnfahrten, die den überwiegenden Teil der von Lkw zurückgelegten Kilometer ausmachen.
Im Mai 2025 führte Aurora seine erste wirklich fahrerlose Fahrt durch, nachdem es drei Millionen autonome Meilen aufgezeichnet und mehr als 10 000 Kundenladungen transportiert hatte.
Das Unternehmen wurde von Chris Urmson gegründet, einem frühen Leiter des Google‑Selbstfahr‑Projekts, das heute unter der Marke Waymo bekannt ist.
„Ich fahre mit 105 km/h die Autobahn entlang, nicht am Steuer, sondern auf dem Rücksitz, während ein Lkw voller Gebäck von der Technologie gesteuert wird, die ich mitentwickelt habe.“
Aurora plant, seinen fahrerlosen Service bis Ende 2025 nach El Paso, Texas, und Phoenix, Arizona, auszuweiten.
Die, die aufgegeben haben
Während die erfolgreichen Unternehmen jetzt den Eindruck erwecken, es ginge nur um Durchhaltevermögen, um das Selbstfahr‑Rennen zu gewinnen, sollte man an die Projekte denken, die unterwegs gescheitert sind:
- General Motors gab Cruise im Dezember 2024 auf.
- Apple gab im April 2024 seine eigenen Selbstfahr‑Pläne auf.
- Uber verkaufte sein fahrerloses Autosegment an Aurora Technologies im Jahr 2020.
Selbstfahrende Systeme außerhalb von Autos
Es gibt zahlreiche Unternehmen, die an selbstfahrenden Systemen arbeiten, die nicht auf Autos ausgerichtet sind.
Beispielsweise sind kleine Lieferroboter, technisch gesehen selbstfahrende Fahrzeuge, klein genug, um die für Autos geltenden Vorschriften zu umgehen. Derzeit sind die führenden Anbieter von Lieferrobotern Estnische Starship Technologies, gegründet von den Skype‑Mitbegründern, und der chinesische E‑Commerce‑Riese Alibaba (BABA ); beide haben ein kleines, harmloses Design, das an die Droiden aus Star Wars erinnert.
Quelle: Starship
Aus regulatorischen Gründen und wegen der enormen Auswirkungen jedes Unfalls mit schweren Fahrzeugen setzen autonome Lkw noch auf menschliche Eingaben, wobei Unternehmen wie Kodiak, Gatik und Pony.ai dem Beispiel von Aurora Innovation folgen.
Eine weitere Idee ist der Einsatz von Drohnen für die Zustellung kleiner, leichter Gegenstände. Bisher ist der klare Marktführer Zipline, gefolgt von Wing und Meituan (3690.HK). Das könnte eine wahre Revolution sein, steht jedoch vor noch größeren regulatorischen Hürden als selbstfahrende Liefer‑Lkw und könnte daher langsamer in großem Maßstab eingesetzt werden.
Quelle: ARK Invest
Fazit
Nach Jahren langsamer Fortschritte trotz „unmittelbarer“ vollautonomer Autos, auf die Elon Musk und andere Branchenführer hofften, ist 2025 ein klarer Beschleunigungspunkt für die Selbstfahr‑Technologie.
Viele Städte, die früh ein Risiko eingegangen sind, haben jetzt Robotaxis, die routinemäßig auf ihren Straßen fahren und die Preise für Ride‑Hailing senken.
Bislang scheinen die USA und China die beiden Länder zu sein, die global vorne liegen – sowohl in Bezug auf die führenden Unternehmen als auch auf flexiblere Regulierungen. Die positive Rückkopplung zwischen Innovation und einem einladenden regulatorischen Umfeld dürfte künftig ein wertvolles Fallbeispiel für Ökonomen sein.
Derzeit scheint die Vision von begrenzten, geofence‑basierten und langsam ausgerollten Robotaxis mit einem vollen Set aus Kameras, LIDAR, Radar und anderen Sensoren die gewinnende Kombination zu sein, um vollständig auf Fahrer zu verzichten.
Das hat Waymo mit seinem vorsichtigen Ansatz stark begünstigt, während Zoox und viele andere Unternehmen in die Fußstapfen treten und schnell aufholen.
Unterdessen verfolgt Tesla weiterhin seine Träume von einer allgemeinen „Full Self‑Driving“-Technologie, die jede Straße fahren und ausschließlich auf Kameras setzen kann – idealerweise durch ein einfaches Software‑Upgrade für alle bestehenden Tesla‑Fahrzeuge. Das ist ein riskantes Wagnis, aber auch eine interessante Idee, die wahrscheinlich die einzige ist, die unbegrenztes Selbstfahren in naher Zukunft liefern könnte.
Geofence‑Technologie wird wahrscheinlich nur sehr langsam weltweit ausgerollt, Stück für Stück, und bleibt auf den Wettbewerb mit traditionellen Taxi‑Diensten in Großstädten beschränkt. Damit bleibt ein großer Teil des potenziellen Multi‑Billionen‑Dollar‑Preises von „echten“ Robotaxis, die den Autobesitz durch ultra‑günstige, 24/7‑verfügbare EV‑Fahrten ersetzen könnten, auf dem Tisch.
So könnte Tesla, ganz im Sinne seiner Unternehmenskultur, letztlich der Sieger sein und einen völlig neuen, massiven Markt schaffen sowie das Verständnis von Autos erneut revolutionieren – jedoch nur, wenn es ein scheinbar unüberwindbares technisches Problem lösen kann.
