# Applied Intuition: The Android Model for Autonomous Vehicles

**Podcast:** Handelsblatt Disrupt - Der Podcast über Disruption und die Zukunft der Wirtschaft
**Published:** 2026-11-13

## Transcript

Peter Ludwig will eine Milliarde Maschinen intelligenter machen.
Autos, Traktoren, Satelliten, Panzer und Roboter.
Mit seinem Startup Applied Intuition liefert er Software und KI aus dem Silicon Valley an Autohersteller auf der ganzen Welt.
Zum Beispiel an Nissan und Stellantis, den Konzern hinter Jeep, Peugeot und Maserati.
Investoren bewerten die Firma mit 15 Milliarden Dollar.
Warum das wichtig ist?
Autos werden immer mehr zu Computern auf Rädern.
Damit werden Software und KI zum Differenzierungsmerkmal.
Für Hersteller stellt sich damit die Frage, selbst bauen oder einkaufen?
Applied Intuition setzt auf das Android-Prinzip, also eine Plattform für viele Marken und unterschiedlichste Fahrzeuge.
Für diese Folge habe ich Peter Ludwig auf dem Industrial Future Summit in Stockholm getroffen.
Nach einem gemeinsamen Gespräch mit Mercedes-Chef Ola Kelenius haben wir diskutiert, was die Verbreitung von Robotaxen noch auffällt, wie Applied Intuition zunehmend KI-Agenten zum Training von autonomen Autos einsetzt und welche Sicherheitsrisiken die Vernetzung von Fahrzeugen mit sich bringt.
Könnte etwa ein politischer Gegner alle Autos auf der Straße lahmlegen?
Technisch sei das jedenfalls möglich, sagt der Gründer.
Und damit herzlich willkommen bei Handelsblatt Disrupt.
Ich bin Larissa Holzki und ich freue mich, dass Sie zuhören.
Und wenn Sie auch künftig jederzeit wissen wollen, was und wer die Wirtschaft bewegt, dann empfehle ich Ihnen als Ergänzung zu diesem Podcast auch das Handelsblatt-Abo.
Ob Märkte, Unternehmen oder technologische Entwicklung, wir liefern Ihnen fundierte Einordnungen, zeigen spannende Köpfe auf und erklären die Zusammenhänge.
Mit einem Probe-Abo bekommen Sie vollen Zugriff auf alle digitalen Inhalte im Test vier Wochen lang für nur einen Euro.
Mehr Infos unter handelsblatt.com slash mehrwirtschaft.
Und damit geht es direkt nach Schweden zu meinem Gespräch mit Peter Ludwig, Mitgründer und Technologiechef von Applied Intuition.
Hallo Peter, willkommen zu Handelsblatt Disrupt.
Danke, dass mich hierher hat.
Peter, your company says it wants to bring intelligence to one billion machines, cars, trucks, mining trucks, tractors, even satellites and robots.
To start, please explain in very simple words what exactly do you mean by that?
Yes, so we are a technology platform company and we operate horizontally as a horizontal business across the entire industrial sector.
Broadly, we help our customers bring intelligence onto their products, whether that's a car or...
oder eine Industrie-Machchine.
Es gibt viele verschiedene Technologien, die wir als Unternehmen aus der Industrie-Sektion aus dem Unternehmen helfen, die ihre eigene Entwicklung von diesen Intelligenten-Machines zu helfen.
Und alle können sich die Fahrer machen, die Fahrer fahren, die in der Lange fahren, die Fahrer fahren, die Fahrer fahren, wenn es in der Lage ist.
Und in some cities, fully self-driving cars are already a reality.
Still, it is hard to imagine what this could one day mean for traffic as a whole.
So what's your vision for the future of mobility, let's say in 2040?
Well, in 2040, for mobility specifically, I think absolutely self-driving technology will be extremely well solved and will be available on...
Das ist ein Fahrrad, das ist ein Fahrrad, das Fahrrad, das Fahrrad, das Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, die Fahrrad, Für diejenigen, die nicht wollen, die eine Auto-Taxi haben, wird es um ein Auto-Taxi gehen.
Und ich denke, wenn Sie eine Auto-Taxi haben, eine Auto-Taxi haben, wird es um ein Auto-Taxi gehen.
Und ich denke, wenn Sie eine Auto-Taxi haben, das viele Leute haben, ich denke, dass es drei verschiedene Unternehmen gibt.
in Silicon Valley, kann mich auf autonom aus dem Ort aus dem Ort.
Aber ich liebe auch eine Auto-Ausse.
Und für die Leute, die in 2040 wollen, die technologie auf die Auto-Ausse ist, ist wirklich unglaublich.
Today you can take robotaxis in more than those new US cities.
I have used Waymos in San Francisco myself, the self-driving taxis from Google's sister company, and it was amazing.
And there are also robotaxis in Beijing, Shanghai, and Shenzhen, and Abu Dhabi and Dubai, but it is still always single cities.
What is stopping them from spreading?
So there is a...
There's a safety case that's required for releasing a fully driverless vehicle.
And typically that safety case is tied to what's called the operational design domain, the ODD.
And that ODD is typically defined as a geographic area.
And that's because of the way that streets are designed, that traffic lights are operating, even the way that...
wie die Pedestrieren behave, als sie walken.
Und dann die Software, die die Vahrungs-Vehir sind, ist sehr carefully verletzend gegen die bestimmte Geografie.
Und so in terms of warum nicht broader?
Meine Antwort ist, es wird kommen.
In fact, es ist ziemlich close.
Aber nicht weit, es ist nur noch etwas mehr Zeit.
Heute, wenn es in China oder den USA ist, die Level 2++-Systems sind.
Das ist die größte Form von Advanced Driving Assistance System.
Und so in den USA, Tesla hat ein System called Full Self-Driving.
Ich denke, das Term wurde recently struck down in Deutschland.
Ich habe es zu sagen, es etwas anderes.
Aber das System kann die Fahrrad einfach nur die Fahrrad fahren.
Wie geht es um einen Schuss?
My company, Applied Intuition, we are also developing this kind of technology and also have some very impressive demonstrations of what this technology is capable of.
But this kind of technology will become more and more broadly available.
And when that technology hits a certain safety threshold, then these will effectively be available everywhere.
And so the comment you made about why only in certain cities, that restriction will go away within the next few years.
And before we go...
Vielen Dank.
Ja, probably.
So, I think General Motors is a great company.
And there's a lot of really great companies in the automotive industry.
And one particularly impressive thing is just how much technology exists in a vehicle is really quite incredible.
And just like the sheer number of...
Mechanical, electrical, software innovations that have happened in the automotive industry over the last, let's say, 100 and some years, 120 years.
It is astounding.
And it's also astounding, frankly, that...
You can manufacture these extremely complex products at such high volumes.
And so certainly as a child growing up around people who are working on these kinds of technologies, I drew a lot of inspiration from that and also just learned a ton about the industry and how things are built.
You studied computer science at the University of Michigan.
When did you first understand that chaos could become?
Computers on Wheels.
Yes, let's see.
I think that it was quite obvious, even before I entered school, that the industry would move very hard at some point into software systems.
And it really comes down to the fact that it was just so obvious what was possible.
Ich habe fünf Jahre in Google-Engineering.
Und die Art, die man denken über die Probleme ist, von den ersten Prinzipien.
Wo man sich, das ist die Problem, das wir haben, und diese sind die Technologien, die uns zu uns.
Und so wie kann man diese Technologien, die diese Probleme zu lösen, in eine Art, die mit den Schleuten haben, wie möglich ist, wie möglich möglich.
Und wenn man sich über die Fahrer oder eine Art Mechanical-System durch das Lens sieht, dann wird es sicherlich wäre es, wenn man ein Powerful Computer hat, dass alles in der System hat.
Und du könnt alles kontrollieren.
Und so es ist so obvious in hindsight, frankly.
Und ich denke, die schwierige Sache ist eigentlich die Industrie zu haben, die sich zu diesem Modell zu haben.
Aber die Idee selbst ist ziemlich obvious.
So, haben Sie eine Diskussion über das?
At der dinner table?
The industry first at home?
Absolutely.
Definitely growing up, countless engineering and automotive engineering discussions with my father about all kinds of interesting problems that he was working on at the time.
And also just the complexities of things being at that software-hardware boundary where there are many things that you can fix in software, but there's...
Wie viele Dinge, die Sie nicht mit dem Software verändern können, haben Sie eine lange Zeit, eine gewisse Art und Qualität, die sich in diesen Produkten befinden, um sie zu leben und zu leben und zu leben.
Und ich habe viel über das, um das zu leben.
Du dann arbeitest auf Google für fünf Jahre, auf Google Maps und Android Automotive, die Version von Android für Cars.
Da du mit deinem Co-Founder, Kasar Yunis, der hat ein similarer Background.
Er ist auch von Detroit und war ein Mechanical Engineer at General Motors.
Two guys von Detroit meet in California.
Wie hat die Idee für Applied Intuition gebracht?
Yes, that's actually a fun story.
So he and I worked together at Google and of course became friends.
And Kazer was a multi-time entrepreneur prior to joining Google.
He actually came to Google through an acquisition of a company that he had started.
And so he and I became friends sort of over the fact that we wanted to start a company.
Und so, um, starting a business in Silicon Valley really is about, you have to, um, you have to have a good business idea.
You also have, have to have enough confidence in that idea that it's worth, let's say, quitting your job over.
Um, and, and let's say risking your personal reputation, uh, over that.
And, um, and you have to have very good answers to the questions, why us and why now?
And if you can't answer those two questions very well, the odds are you won't be competitive and you'll probably regret the decision.
So Kastor and I actually worked together for quite some time to come up with...
Die right business concepts could answer those questions really well.
And we eventually landed on some foundational trends that we saw.
One was we felt that electrification was going to happen in the industry.
And when you have electrification, that also encourages a re-architecture of vehicles.
Und als Teil der Re-Architecture, werden wir viel mehr sophisticated Software in den Vehikel haben.
Und dann in parallel mit dem Happen, es war sehr klar, das war in 2016, dass Autonomy technology war also advancing quite a bit.
Und so, wir looked at diese Problem-Ares und dann, wir thought das Warum-Us war sort of klar und wir hatten diese Jointz-Wilfe.
tech company and automotive backgrounds.
And the why now was a good period in time with all of these shifts happening in the industry for us to build a technology company that really focuses on the industrial sector.
And we have a lot of products and a great business these days, but fundamentally the company is about helping the industrial sector gain value from AI systems.
And the first idea was a Robotaxi startup.
Why did you drop it?
Ja, so we didn't actually pursue that in the early days, but that was something that we had explored in quite depth.
And the issue with Robotaxi back then was that it wasn't obvious how many more breakthroughs had to happen before the technology was fully viable, and it wasn't clear that you could reach a price point that was going to make sense.
Und dann, von der ersten Prinzipien, wir haben die Begründung, in 2016, dass das wahrscheinlich das falsch ist, zu starten auf.
Und dann, wir haben uns auf die Horizontal-Technologie-Player gemacht, was wir würden...
Tools and components and subsystems out to the entire industry rather than trying to create a vertical robotaxi ourselves.
And I think in hindsight that was correct.
If we had tried to develop a robotaxi in the 2016 era, I think we would have failed.
Before we go deeper, a quick warning.
There is a rule on this podcast.
Experts should learn something, but in words everyone can understand.
So if you use a word that a CFO of, let's say, a food company might not know, I'll use this little horn.
Und du einfach erklärt es, all right?
Sounds good.
So, wir beginnen mit einem Wort, das in deinem Unternehmen ist bereits in deinem Unternehmen.
Applied AI ist ein commoner Term in der Software-Welt.
Was genau das bedeutet, und warum du deine Firma Applied Intuition called?
Within Silicon Valley, I would say you can either identify as a product company or you can identify perhaps as a research company.
And so we loved the moniker Applied because it really just gets to the point of we are trying to bring value to the world and that happens through products that are actually applied to real world problems.
Mind you, we do have a very meaningful research investment, but our research investment is solidly towards the application of real products to the real world.
So that's how we came with Applied.
And then Intuition was, frankly, we liked the association with AI.
And so Intuition, sort of like a human thought.
And so Applied Intuition was, we thought, a good name.
Es hat sich die richtigen Beispiele und auch versucht uns zu arbeiten auf ein paar Verteidigungen ohne zu sein, dass es nicht zu einem bestimmten Namen in der Titel der Firma.
Wir haben über deine Zeit mit Google und du hast eine Idee von dort.
Google hat Android, eine Systeme für Smartphones von vielen verschiedenen Makern, in der gleichen Weise wie du für viele verschiedene Makern von vielen verschiedenen Makern.
Of course, there is also the opposite model.
On smartphones, it's Apple.
And with cars, it's Tesla.
With both software and hardware from one company, what are the strengths and weaknesses of each model?
Yeah, so there's many strengths and weaknesses of both models.
So let's go into that.
Starting with, let's say, the vertical model, let's say a Tesla or an Apple.
The advantage, of course, is that there's one company that controls the complete experience.
And that experience spans both the hardware as well as the software experience.
And so the full product that the end consumer is experiencing is very opinionated.
And the opinions come from one company.
The disadvantage of that model is...
Es ist sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, Das results in products that are more expensive.
Apple products, Tesla products, those are not low-cost products.
Those are premium products.
It's great when the only thing you're optimizing for is that product experience and you're loosening some of the other requirements.
The horizontal model, which Das ist die größte der Markt, die in den Unternehmen ist.
In den Phonen, zum Beispiel.
Android oder Phones, das sind die größte der Markt, das sind die größte der Markt, die sind die Welt.
In Automotive, ich denke, Tesla ist 2% der Markt.
90% der Fahrer sind nicht Tesla.
Und die Karten, die nicht Tesla, die Karten, die eine viel größere Werteilung von sehr, sehr inhaltend zu sehr, sehr hochwerten.
Und so, wenn man an Unternehmen, die horizontalen Optionen, die wollen eine gute Produkt, die sehr gut auszulernen, die sehr gut auszulernen können, die sehr besten Technologien finden, die in der Markt finden.
Und diese Technologie sind meistens an einem höheren Kosten, als es einem zu bauen, weil es das eine Art, was das Horizontal ist, um die Industrie zu verändern.
Und so, wenn wir unsere Technologie-Platform zu einem Auto-Company sind, es wahrscheinlich viel, viel weniger als es kostet sie zu bauen, das Platform in-Haus.
Ja, so Android-Wins-The-Market-Share.
Aber, honestly, I...
So will applied intuition mostly run in the cars of people who don't care much about software or can't pay for the premium product?
No, so factually our platform is going on to a whole slew of very premium products today.
And it really is going across the full spectrum.
The concept that's also very important is this aspect of undifferentiated heavy lifting, which is this phrase that I love to describe this kind of technology, which is when you're building a very complex product.
There's many layers of technology that matter a lot for the product actually working.
But there's maybe only one or two layers of technology that the end customer is really going to experience.
And so when our customers are working with us, we supply a bunch of the layers that the end consumers or end customers...
Das ist wirklich ein paar Jahre, die die Karte nicht mehr wissen oder nicht mehr wissen oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder nicht mehr wissen, oder Und das führt uns zu einem sehr importanten Frage.
Das Morgen, wir waren auf dem stage mit Ola Kellenius, der CEO von Mercedes-Benz, an der Industrial Future Summit in Stockholm.
Und wir haben es da, wie ein Luxury-Car kann, wenn die Fahrer sind, die sind, wenn die Fahrer sind, die Software und AI sind.
Let's dig deeper und look at your partner Stellantis, die will run your software across.
Brands like Jeep, Peugeot, Fiat and Maserati.
A Maserati driver expects something different from a Jeep driver.
If both run on your software, where does the difference come from?
Yeah, so there's absolutely enormous differentiation between high-end and low-end that's possible.
I would say that...
Die Plattformen wir uns ermöglichen, es gibt noch mehr Differenzierung als wäre es möglich.
Wie so?
Es ist so viel einfacher für die High-End Vehikel zu bauen, die wirklich unglaublich sind.
würde es nur um die basic features funktionieren.
Aber jetzt, wenn du das, dass das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, das, Many more screens than a low-end vehicle.
And if you think about the kinds of experiences that many more screens, many more speakers, many more lights on the vehicle, more sensors, let's say maybe more cameras or radars.
So you can have more advanced self-driving technology.
You can have much more interesting infotainment experiences.
So think of the audiovisual aspects of what's happening in a vehicle.
You bring the metaverse to the car.
Yeah, exactly.
Almost anything that...
So anything that you can imagine in a futuristic car fantasy is now possible with these kinds of platforms on high-end vehicles.
And then of course for a low-end vehicle, you're really optimizing for price.
And so you'll have as few parts as possible on the vehicle and you'll likely have lower-end microprocessors as well, which will mean that generally the experience the user is getting just doesn't feel as premium.
Think of like the high-end MacBook versus the very cheapest iPad.
I'd love to dig a little deeper into your technology, your product and your business model.
You started with simulation and development tools for teams that build self-driving cars.
So for our listeners, before a self-driving car, a drone or a robot is allowed out into the real world today, it is usually trained and tested in the digital world, a bit like in a computer game.
How exactly does that work, Peter?
Yes.
Das ist ein sehr tiefes Thema, so ich will es auf ein sehr hochwertiges.
Aber es hat sich eine Transition über, sagen wir, die letzten 15 Jahre, für Autonomous Vehikel Technologie, von einem was called ein rules-based Method, um zu learneden Modeln.
Und so, was das bedeutet, in einem rules-based System, The engineers that were building these systems, they would try to, by hand, code up every possible thing that could happen to the vehicle and try to create instructions for what the vehicle should do.
The problem with that is it turns out the real world is very messy.
And so you can't possibly code up.
Every single edge case that appears.
What's an edge case?
An edge case is a rare but important event that could happen in the real world.
An example would be, imagine you're driving your car down the road and all of a sudden from behind a parked vehicle, a child appears on the road.
Und Ihr Auto hat sich auf die Brakes zu schlafen, um das Auto zu schlafen.
Das ist ein Beispiel, das ist ein Beispiel, das ist ein Beispiel, das ist ein Beispiel, aber sehr, sehr wichtig für die Sicherheit der Fahrt.
Und so in den rules-based development...
Manually hand-coding every possible edge case is, the English expression would be, it's a fool's errand, right?
It's impossible to do.
And the industry gradually realized that over time.
Today, the way that these technologies are developed is using what's called learned methods.
And so this is where you have real vehicles on the road, and those vehicles are recording data.
And then you take all of those recordings and you...
Das Problem mit dem, dass das, ist, dass in den recordings, du nicht mehr so viele solche Ege-Cases kannst.
Und das ist, dass die Simulation sehr wichtig ist.
Was wir können, ist, wir können die Real-World-Recordierung und wir können, wir können diese in den Simulationen.
And then we can automatically generate lots of edge cases that didn't happen in the real world, but that the vehicle should be able to handle.
But still you need to imagine them.
Yes, you can think of it like an imagination, yes, where the simulator is effectively imagining all of these possible things that could happen.
And that imagination then results in additional data, which then also gets trained into the model.
Und so, das final resultant model ist eine Kombination von real data, das war collected, und dann also das Simulated data, das wir added in.
Und das kann jetzt eine sehr robuste self-driving system.
Und was ich gerade, das ist, wie die sehr bester, state-of-the-art self-driving systems auf der Road today, globally, sind entwickelt.
Und du hast es, was your customers have to share with you?
Ja, so...
Our platform is typically deployed to our customers, so they're not sharing things with us necessarily.
Under certain working models, they do, but for most of our customers, they are using our platform on their own data independently.
And then we also have a pretty meaningful data collection operation, and that's also available to our customers.
So how do you get the real-world data then?
Yes.
Any company that does data collection fundamentally has...
mit dem Fahrzeugen.
Und so, wenn du in der Headquarters bist, du hattest viele, viele Fahrzeuge auf dem.
Die Fahrzeuge sind mit sensors und da sind trainiert, die die Fahrzeuge aus dem Fahrzeugen aus dem Fahrzeugen.
Und sie fahren wie ein ordentlicher, safe Fahrer würde fahren.
Und das Daten ist recorded und dann wird das Teil der Fahrzeugen aus dem Fahrzeugen.
Und so, any company that's developing ...
Autonomy technology of any kind typically has this operations model where they have real vehicles or machines in the real world with sensors that are recording data.
And then that recorded data is used to train the model.
So how do you separate the carmaker's data and your model?
What happens if a customer, for example, wants to leave you after five years?
Can they take something with them or does the intelligence stay with you?
Yeah, so...
Mit den großen Kunden, alles ist ein bisschen custom, auf welchen die Kunden und was der Kunde und was der Kunde und die Kunde und die Kunde sind.
Wir operieren mit verschiedenen Modeln, wo wenn Applied mehr access zu den Daten ist, dann ist es anders als nicht auf den Datenfront.
Aber in general, unsere Kunden care sehr über ihre eigene Sovereignty.
Sie wollen ihre Systeme und ihre Daten haben.
So, if I were a customer, could I train a model together with you and then take the model with me?
That's one way to do it.
I would say that's not a common model because in practice, especially for state-of-the-art self-driving technology, these models are actually retrained very frequently.
And so, you might think that Maybe you retrain these, I don't know, once a month or something.
But the reality is you're retraining these things multiple times per day in most cases.
And so the ongoing relationship is usually pretty important for both companies.
So you mentioned sovereignty.
That's a big topic in Europe, more than ever since the start of U.S.
President Donald Trump's second term.
One reason is the U.S.
Cloud Act.
American authorities can demand data from U.S.
companies, even if that data is stored in Europe.
Is this an issue for your European customers?
Und was kann man sie promise?
Es ist nicht ein, es ist nicht ein, es ist nicht ein, es ist nicht ein, es ist sehr, sehr common für Unternehmen zu haben, ihre meisten sensitive informationen, auf systems, die sind mehr segregate von anderen Systemen.
Und ich denke, dass es increasing scrutiny auf, sagen wir, wo data ist jetzt.
Aber ich würde sagen, es ist ein neues Thema.
Es ist mehr so, es ist jetzt mehr so, es ist mehr so, es ist jetzt mehr so, es ist mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, es ist jetzt mehr so, The US is even more careful about software from China and Russia.
The US Department of Commerce has banned software and hardware from China and Russia in connected cars.
One reason it gives attackers could control vehicles from far away.
And in December last year, you testified before a committee of the US House of Representatives about China and the car industry.
So how do you see the real risks?
So, cybersecurity is a very important topic, especially at the time of this recording, let's say November of 2026.
And that's because it is easier than ever to hack into software systems using advanced AI models.
And the AI models just keep getting better and better.
And so the biggest problem that exists right now is the fact that many software systems are too static.
They're too difficult to update.
And if you have a system that has a known vulnerability and is also difficult to update, that system is now very vulnerable to hackers and to attacks.
And it's roughly a daily news cycle now about large corporations and just generally important institutions being hacked in very interesting ways.
Just the other week, there was the news of the Binance hack.
It was the largest...
Das war die größte, die vorhanden von Unternehmen in der Geschichte ist.
Ich kann nicht mehr, aber es war vielleicht $6 billion, etwas wie das.
Und das war ein sehr sophisticated hack.
Das würde nicht sein können ohne diese modernen AI-modellen.
Und so die attack surface für Organisationen ist, ich glaube, larger als es ever been hat, weil diese AI-systeme ist.
Mit der Art von der Origin-Software.
Es ist ein komplexes Thema, und so ich kann nicht übersimplifieren es mit einer sehr brief Antwort.
Aber natürlich, wenn man über die Software geht, das eine Art System ist, man muss über die Software-Supply-Chain-Of-That-Software-And-Who-Has-What-Incentives-In-That-Supply-Chain-To-Do-Something-That-Kud-Potentially-Be-Malicious.
Und das ist, wiederum, das ist ein basicer Strategie-Concept, das in jeder kind of Produkt ist.
Du musst du wissen, was die Potenzial Risks in der Supply Chain sind.
Und dann, ich denke, mit dem Regards zu Software aus verschiedenen verschiedenen Bereichen, ich denke, dass du auch noch einmal recognize, dass da vielleicht beincentives für da zu sein, dass da zu sein, intentional backdoors in bestimmten Types von Technologie.
So, zu pute es einfach, du siehst die Risks von einem Politiker-Enem.
Stopping all the cars on the streets where there is, let's say, a Chinese operating system on the cars.
So is it technically possible?
Yes, it's technically possible.
Das gibt uns viel zu denken.
Man könnte sagen, es hilft deinem Geschäfts-Businessen, wenn es US-Businessen gibt, zu Chinese-Businessen.
Aber das kann auch passieren in anderen Markets.
Since wir sprechen über die Sicherheit und geopolitische Konflikte, die Behörden ist eine große Rolle, wo können self-driving-cars und tanks-Businessen und die gleichen Software-Businessen und wo das das erreicht ist?
So the foundational platform technology is really just for controlling electromechanical systems.
And so that is quite literally the same technology, regardless of any kind of machine that it's on.
We were talking about a car, a factory robot, a defense drone.
You're really talking about certain types of electronics and then the software that's controlling those electronics.
And so it's very widely applicable.
really any domain that has electromechanical systems.
But I would say that a tank has to behave differently when driving than a usual car.
Isn't that the case?
At the electromechanical level, not really.
No, it's the same stuff.
Fundamentally, if you were to take these systems apart, you have...
Du hast actuators, das sind kleine Motors, die Kontrollen, die sich in den Vehikel zu verändern.
Das kann man throttle oder steering oder etwas wie das.
Und du hast, ich sage, Schreens, das sind die Informationen zu einem User.
Und dann hast du eine Kontrollstürze.
Es könnte ein Steering-Wheel oder Yoke oder etwas anderes.
Und so, wenn du die actualen Komponent-Level hast, es wirklich die samee Sachen.
Obviamente, die Shell der Vehikel ist viel anders.
Aber wenn du in die Elektronik und wie es funktioniert, es wirklich funktioniert die samee.
Und das hält es true, dass wir an airplane oder a factory robot oder anything.
Die Systeme, wenn Sie in, sind wirklich sehr similar.
Interesting.
So, wir gehen von den Schienen zu den Menschen, die sie bauen.
Whether es ein Auto oder ein Tank, mehr und mehr von der Arbeit behind it ist nun bei AI itself.
In July, Sie launcheden ein neues Produkt, called Dana.
Es bringt AI agents zu den Engineers, die die Schienen machen.
As far as I understand, engineers no longer have to build test simulations, run virtual test drives, and check where the system failed themselves.
Instead, the engineer tells the agent what he needs, and the agent does the job with your tools.
Is that correct?
That's correct at a high level, yes.
Effectively, what Dana is allowing our customers to do is to really get the full value out of AI in a safe way within their corporate environments.
Und wer ist die Aufgabe, wenn ein Agenten von einem Agenten auf den Weg ist?
So, ultimately, es ist die User, die die Akte, die die Agenten zu bekommen.
Das ist auch ein sehr wichtiges Punkt, generell mit AI, ist, dass, um AI zu nutzen, muss man auch die Kapazitäten und die Limitationsverlösen haben.
Und die meisten effektiväten Organisations an using AI sind diejenigen, die diejenigen, die diese Tools zu verstehen, die die Möglichkeiten und die Limitations sind.
AI kann man mistakes machen.
Und so, man kann 100% glauben, dass alles das AI ist.
However, da sind viele Möglichkeiten, die AI zu nutzen, die man zu verbessern, die Vastel sind.
Und so, eine der Dinge, die wir in den Plattformen und in Danaen machen, ist, dass die Städte und die Gäuble, das wir call es, in place zu machen, The resulting output of the AI system is generally correct.
But it's not perfect, right?
It still does require validation.
And validation is a very critical aspect of any kind of safety-critical system.
And testing and validation are absolutely critical to ensuring that software of any kind that's being put on a physical vehicle is safe and appropriate.
And you used Dana yourself at Applied.
How does that work in practice?
How does the engineer check or control the outcome or the output of the agent?
And how do you control at the management level if the engineers still do their work properly?
Yes.
So fundamentally, you should think about Dana and AI broadly as...
Superpowers to engineers or individuals that are using these tools.
So it's not about, let's say, just fully automating away everything, but it's more so about about allowing you to be more ambitious in whatever it is that you're doing.
An example of this would be, imagine you're trying to test that, let's say, a certain piece of software is going to behave correctly, and it's your job to write the validation cases for that system.
Without something like Dana, maybe you say, well, okay, I have two weeks that I have to get this done, and I'll write as many validation cases as I can in those two weeks, and then at the end I'll run them and see if this is safe or not.
Well, using something like Dana, you can be way more ambitious.
You can say, well, instead of...
Instead of writing 100 validation test cases, now I can write 100,000 validation test cases.
And then you produce...
A huge amount of AI slob.
I would say less and less so.
And what I mean by that is a big part of what we're doing is it is the harness for these agents.
What's harness?
Yeah, so a harness is it's a technology that surrounds an AI model, allowing it to be used productively for a specific use case.
And so we develop harnesses that are part of Dana, which allow you um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, um, People are becoming more and more, the actual job of engineering is changing.
People are becoming more and more of the quality assurance level.
And that sounds maybe negative, but it's actually quite positive in the sense of you can start to automate away a lot of the drudgery, a lot of the repetitive tasks in engineering.
And then the human can really focus on the outcomes.
And what's the outcome that we want?
To use an example in electrical engineering, designing circuits is hard work.
And doing layouts on a circuit board to basically place all the components, that's hard work.
AI can do most of that now.
So then you would ask, well, what's the job of an electrical engineer?
Well, when you actually manufacture something, so let's say that AI has now created the...
Das ist die Arbeit, die sich jetzt auf die Bühne befinden.
Inevitably, wenn man das reale Bühne testt, wird man Probleme finden.
Und dann ist es der Job der Elektro-Engineer zu eigentlich fixen, die Probleme zu lösen.
Aber das ganze Sequenz der Schritte, kann man eine große Menge anbieten, Und dann kann man direkt zu der Punkt, wo man das validation macht.
Das ist auch der Frage, wer die Karmakern, insbesondere von Deutschland's größten Unternehmen, sollte heute hire?
Wie viel AI talenten können die Unternehmen in-house brauchen?
Der schwierigste Punkt ist, dass es sich immer so schnell verändern.
So, es ist keine perfekte Antwort auf diese Frage.
Undoubtedly, there's still, and there will forever be, I think, tremendous value in people who are experts in their fields.
I think there is, the biggest challenge, though, is changing the way of working.
And oftentimes what we see is in organizations that the At the leadership level, there's very strong support for accelerating progress and development using AI.
And oftentimes for, let's say, the new graduates, the younger people within the organization, there's also a lot of enthusiasm.
And there's perhaps more resistance or, let's say, things move more slowly with the middle management layer in an organization that's been sort of doing things in a certain way for a very long time.
Aber ich denke, es ist ein Thema, um zu ändern, wer du für dich für.
Ich denke, es ist ein Thema, wie du trainierst, und dann haben wir eine weitere Anwohnerinung für AI-Systeme, als das evolves.
Personally, within Applied Intuition, we do think of AI adoption largely as a training problem at this point.
So we have our tools and platform in place that work very well.
But now for people to get a lot out of this, we have to train them in how to use these systems effectively.
But can companies such as Mercedes and Bosch and Volkswagen even compete with Silicon Valley in the...
oder war für Talent?
Oder haben sie keine Wahl, aber zu kaufen und AI?
Ich denke, dass es ein bestimmtes Typisches Talenten, das du wahrscheinlich referieren zu ist, die Model Developers selbst.
Und so, diese sind, die PhD-Researcher Types, die eigentlich innovatieren, die Core-AI Model Architecture selbst.
Das ist ein...
Das ist eine sehr spezielle Krufe und relativ wenig Menschen in der Welt sind wirklich auf die Boundary.
Ich glaube, dass Unternehmen wie diejenigen, die du eben schon erwähnt, eigentlich brauchen diese Leute, die in den Organisationen haben.
Denn die Intelligenz-Technologie haben wir heute ist bereits gut genug für ...
positive impact at these organizations.
We are more in the applied era of this technology.
And what I mean by that is it's more about training your workforce to use the technology effectively for good purpose.
And I don't think that those companies should even bother trying to hire people that are, let's say, innovating at the model architecture.
It's not needed.
As long as you provide them with the models they need.
Sure, whether it's us or any number of other partners.
Great, let's finish with a look into the future.
What do you expect a leading cowmaker to look like in 2035?
Yeah, I think that the importance of self-driving technology is going to be much higher.
And so I think that the ratio, let's say, of people that are looking at hardware versus software, I think will be different within these organizations in that you'll have them.
und die Unternehmen auf die Software-Experienste sind.
Ich denke, dass in 2035 die Entwicklung für die Vehikel werden wird viel schneller.
Und so zwischen jetzt und dann, die Unternehmen werden ihre Prozesse zu ermöglichen, um die Vehikel zu entwickeln, viel schneller zu entwickeln.
So along with that, it's sort of a rethinking of the org chart and structuring of how you actually get things done and through all of the quality checks.
I think in 2035, the RoboTaxi concept will also be quite important.
And so I expect that...
Every manufacturer is going to have a lineup of different robotaxi models that are perhaps available for purchase but also are sort of running city streets on their own for use.
And that'll be everything from the very cheap taxicab to a very luxury, very plush experience.
And overall, I'm extremely optimistic.
I think that there's never been a more exciting time to be in this industry given all of these changes that are all happening at once.
Und natürlich ist es ein kompetitive industrie, aber es hat immer immer kompetitive.
Ich meine, für 100 Jahre es hat immer kompetitive.
Die Unternehmen, die heute haben es durch ein paar Jahre, und ich bin ziemlich confident, dass sie es durch dieses Jahr auch.
Aber mit dem gesagt, ich bin sicher, dass es werden, dass es einen Battle Scars werden in den nächsten Jahren, als Unternehmen adaptieren, diese große Veränderungen.
Und da ist eine...
Very last question I have to ask, what do you actually drive yourself?
How much of your own software is in it and what do you love the most about it?
Yes, so my wife and I have a few different vehicles, but I'll tell you, over the years I've owned products from General Motors, Mercedes, Tesla, BMW, and I think our software is in a handful of those vehicles.
I think it's been used to design.
Maybe some parts of all of those different types of vehicles.
And what do I look for in a car?
I mean, I would say for each of those brands that I just mentioned, they each have their own unique characteristics.
For Tesla, obviously, the self-driving technology for Tesla is really incredible.
And we benchmark our own technology against the Tesla system.
Und dann, ich liebe die driving experience von der BMW.
Ich denke, von einem Dynamics- und Handling-Perspektiv, es ist ein unglaubliches Vehikel.
Und dann, ja, von einem Fit-and-Finnisch-Perspektiv, ich denke, Cadillac ist auch wirklich outstanding in das Domain.
Ich bin sehr tief in die Industrie, so ich kann sehen die Pros und die Consen von pretty much any Vehikel.
Du kannst einfach nur collecten.
Great.
Peter, danke für uns mit uns auf Handels.de today.
Danke für mich.
Und das war's auch schon wieder mit Handelsblatt Disrupt.
Wenn es Ihnen gefallen hat, dann abonnieren Sie unseren Podcast und sagen Sie es weiter.
Redaktion Larissa Holski, Produktion Migo Fecke