Wenn KI überall ist, wie kann dann ein Zug auf einen anderen auffahren?

Was wissen wir über den Vorfall in Spanien?

Am 28. Oktober 2026 wurde auf der spanischen Hochgeschwindigkeitsstrecke Madrid–Sevilla nahe Urda eine Kollision zwischen Zügen von Renfe und Iryo gemeldet. Der Infrastrukturbetreiber Adif bezeichnete den Vorfall zwischen Mora y Orgaz und Urda in seiner ersten Mitteilung mit dem Wort „alcance“, das einen Auffahrunfall beschreibt. Auch Renfe veröffentlichte eine offizielle Erklärung zu dem Vorfall. Erste betriebliche Meldungen erschienen auf Adifs Seite zum Netzzustand.

Diese Angaben erklären nicht die technische Ursache der Kollision. Welches Zugbeeinflussungssystem in welchem Modus arbeitete, in welcher Reihenfolge sich die Züge bewegten, welche Fahrterlaubnisse erteilt wurden und wie der Bremsvorgang verlief, muss jeweils gesondert untersucht werden. Die Mitteilungen reichen nicht aus, um den Vorfall auf „fehlende KI“, einen „ETCS-Ausfall“ oder den Fehler einer bestimmten Person zurückzuführen.

Im Vordergrund stehen die betroffenen Fahrgäste und Beschäftigten. Dieser Beitrag ist keine Unfalluntersuchung, sondern eine allgemeine Analyse der technologischen Frage, die der Vorfall aufwirft. Statt schnell veränderlicher Angaben zur Zahl der Verletzten konzentrieren wir uns auf den überprüfbaren Rahmen und die längerfristig relevanten technischen Fragen.

Welche Systeme sollen Zusammenstöße zwischen Zügen verhindern?

Bahnsicherheit nur auf das Signal vor dem Triebfahrzeugführer oder auf einen einzelnen Computer zu reduzieren, greift zu kurz. Damit ein Zug fahren kann, müssen verschiedene Systeme miteinander vereinbare Informationen liefern. Die konkrete Umsetzung hängt von der Ausrüstung der Strecke und der Fahrzeuge ab. Die grundlegenden Aufgaben lassen sich aber wie folgt zusammenfassen:

• Züge erfassen und ihre Position bestimmen: Zu wissen, ob ein Gleisabschnitt belegt ist, bildet den Ausgangspunkt für sichere Zugbewegungen.
• Eine geeignete Fahrstraße einstellen: Weichenstellungen und zugelassene Fahrten dürfen einander nicht widersprechen. Deshalb ist die sicherungstechnische Abhängigkeit zwischen Signalen und Weichen wichtig.
• Die Fahrterlaubnis übermitteln: Wie weit und unter welchen Bedingungen ein Zug fahren darf, wird über die jeweiligen Systeme und Betriebsregeln festgelegt.
• Geschwindigkeitsgrenzen überwachen: Je nach Ausrüstung kann das Zugbeeinflussungssystem warnen oder eine Bremsung auslösen, bevor zulässige Grenzen überschritten werden.
• Physisch zum Stillstand kommen können: Der Zustand der Bremsanlage, die Geschwindigkeit, die Eigenschaften des Zuges und die Streckenbedingungen beeinflussen das Anhalteverhalten.

Die Erläuterung der Signaltechnik von Network Rail beschreibt, dass dieses Gefüge aus vielen Teilen besteht und der Übergang in einen sicheren Zustand bei Störungen zu den grundlegenden Entwicklungszielen gehört. Deshalb führt eine Signalstörung mitunter zu einem Halt des Verkehrs oder zu Verspätungen. Eine Verspätung, die Fahrgäste erleben, kann also in bestimmten Fällen das Ergebnis eines eingreifenden Sicherheitsmechanismus sein.

Daraus lässt sich die Ursache eines konkreten Unfalls nicht ableiten. Untersucht werden neben der Systemauslegung auch Wartung, Konfiguration, Änderungsmanagement und Betrieb unter außergewöhnlichen Bedingungen. Die Frage „Ein Computer war doch vorhanden, warum hat er es nicht verhindert?“ lässt sich nur anhand der Aufzeichnungen zum Ereignis beantworten.

Sind automatische Zugbeeinflussung und künstliche Intelligenz dasselbe?

Nicht jedes automatisch arbeitende System ist künstliche Intelligenz. Insbesondere generative KI und sicherheitsbezogene Steuerungsfunktionen müssen voneinander unterschieden werden. Ein Sprachmodell kann Erläuterungen schreiben, Dokumente durchsuchen und Ereignisprotokolle zusammenfassen. Ein Zugbeeinflussungssystem wird dagegen für den Betrieb unter definierten betrieblichen und sicherheitstechnischen Bedingungen ausgelegt.

Als allgemeines Beispiel überwacht das europäische Zugbeeinflussungssystem ETCS Geschwindigkeit und Position eines Zuges im Hinblick auf die zulässigen Grenzen. Nach der Erläuterung zu Bremskurven der Eisenbahnagentur der Europäischen Union berechnet der Fahrzeugrechner Bremswege anhand der Bremseigenschaften des Zuges und der Daten zur vorausliegenden Strecke. Bei Bedarf gibt er einen Eingriffsbefehl an die Zugbremsen, die ein separates System bilden.

Dass diese Berechnung stattfindet, bedeutet nicht, dass ein Chatmodell verwendet wird. Außerdem dient ETCS hier als Beispiel zur Erklärung des Funktionsprinzips. Daraus folgt keine Aussage, dass ETCS zum Zeitpunkt des Vorfalls in Spanien aktiv war oder versagt hat.

Um Auffahrunfälle zu verhindern, muss man daher nicht erst auf generative KI warten. Das korrekte Funktionieren bestehender Sicherheitsfunktionen ist bereits für sich genommen unverzichtbar. KI-Projekte sollten diese Verantwortung nicht verwischen, sondern klar darlegen, welchen zusätzlichen Nutzen sie bieten sollen.

Wo kann künstliche Intelligenz im Bahnverkehr helfen?

Die konkretesten Möglichkeiten ergeben sich bei Aufgaben, die eine regelmäßige Auswertung großer Datenmengen erfordern. Die folgenden Beispiele beschreiben mögliche Einsatzfelder. Sie sind weder eine Aussage über die vorhandenen Fähigkeiten einer bestimmten Strecke noch eine sichere Lösung für einen bestimmten Unfall.

Ungewöhnliche Veränderungen in Sensordaten erkennen

Werden Temperatur, Vibrationen, elektrische Messwerte und Wartungsaufzeichnungen gemeinsam betrachtet, lassen sich Veränderungen untersuchen, die in einer einzelnen Messung nicht sichtbar sind. Weicht beispielsweise das Verhalten einer Anlage von ihrem früheren Verhalten unter vergleichbaren Betriebsbedingungen ab, kann dies als prüfungsbedürftiger Zustand markiert werden.

Anomalieerkennung allein ist noch keine Fehlerdiagnose. Der Sensor könnte defekt sein, die Betriebsbedingungen könnten sich geändert haben oder ein Datensatz könnte falsch zugeordnet worden sein. Deshalb sollten einer Warnung die verwendeten Daten, Zeitangaben und der Anlass für die Prüfung beigefügt werden. Das Ergebnis muss anschließend einer zuständigen Fachperson zur Beurteilung vorgelegt werden.

Prioritäten für die vorausschauende Instandhaltung setzen

Vorausschauende Instandhaltung soll durch die Überwachung des Anlagenzustands eine frühere Einschätzung des Wartungsbedarfs ermöglichen. KI kann nach Mustern zwischen früheren Ausfällen und Messwerten suchen und Instandhaltungsteams Prioritäten vorschlagen. Der Nutzen zeigt sich nicht allein in der Prognose des Modells, sondern darin, dass aus dem Vorschlag ein Arbeitsauftrag, eine Prüfung und eine dokumentierte Maßnahme werden.

Dabei muss auch zwischen unterschiedlichen Reifegraden der Forschung unterschieden werden. Die Lösung von Europe’s Rail zur dynamischen Instandhaltung beschreibt eine Entscheidungsunterstützung, die Zustands- und Wartungsdaten aus verschiedenen Quellen zusammenführt. Auf der Seite wird die Lösung als Prototyp auf dem Technologiereifegrad TRL 6 beschrieben, der in relevanter Umgebung demonstriert wurde. Zugleich wird auf den Bedarf an Pilotanwendungen und weiterer Validierung hingewiesen. Ein Forschungsergebnis sollte nicht als überall einsatzbereite Sicherheitsgarantie dargestellt werden.

Bildgestützte Prüfungen unterstützen

Bildverarbeitungsmodelle können in Inspektionsaufnahmen Bereiche hervorheben, die Fachleute genauer betrachten sollten. Ziel ist es, aus einer großen Zahl von Bildern leichter diejenigen auszuwählen, die Aufmerksamkeit erfordern. Ändern sich Licht, Wetter, Kamerawinkel oder Bildqualität, muss die Leistung erneut bewertet werden.

Die von der Europäischen Kommission veröffentlichten Ergebnisse des RAILS-Projekts umfassen Forschungsrichtungen wie kamerabasierte Hinderniserkennung, Infrastrukturinspektion und digitale Zwillinge für die vorausschauende Instandhaltung. Das sind vielversprechende Arbeitsfelder, aber keine fertigen Lösungen, die in jedem Szenario gleichermaßen erfolgreich sind.

Verteilte Informationen dem entscheidenden Team zugänglich machen

Wenn eine Warnung auf einem Bildschirm steht, die Wartungshistorie in einer anderen Anwendung liegt und die Notiz aus dem Außeneinsatz in einem Nachrichtenverlauf steckt, wird es für Teams schwierig, die Lage zu erfassen. Eine Integrationsschicht kann Datensätze zur selben Anlage zusammenführen. KI kann dabei helfen, diese Datensätze zu klassifizieren oder zusammenzufassen.

Entscheidend ist hier die Datenzuordnung. Stimmen Anlagenkennungen, Zeitangaben und Datensatzversionen in verschiedenen Systemen nicht überein, kann eine gut formulierte Zusammenfassung ein falsches Bild vermitteln. Verweise auf die Quellen und Hinweise auf fehlende Daten können wertvoller sein als eine flüssig geschriebene Erklärung.

Dokumente durchsuchen und Ereignisse nachträglich analysieren

Generative KI kann als Assistent eingesetzt werden, der freigegebene technische Dokumente durchsucht oder umfangreiche Aufzeichnungen für eine erste Prüfung aufbereitet. Dabei muss erkennbar sein, auf welches Dokument und welche Version sich eine Antwort stützt. Der Zugriff auf Informationen ohne entsprechende Berechtigung muss verhindert werden, und unklare Fälle müssen Fachleuten überlassen bleiben.

Einem solchen Assistenten die Befugnis zu geben, eine betriebliche Anweisung eigenständig zu ändern, bedeutet eine andere Risikostufe. Die Suche nach Dokumenten und das Eingreifen in ein physisches System sollten nicht ohne Weiteres in denselben Projektumfang gepackt werden. Befugnisse sind für den jeweiligen Einsatzzweck gesondert festzulegen.

Warum bringt mehr KI allein nicht mehr Sicherheit?

Auch wenn ein Modell im Durchschnitt gute Ergebnisse erzielt, kann seine Leistung in kritischen Szenarien unzureichend sein. Seltene Situationen können in den Trainingsdaten kaum vertreten sein. Es darf nicht vorausgesetzt werden, dass Ergebnisse von einer anderen Strecke, einem anderen Anlagentyp oder aus einer anderen Jahreszeit auch unter neuen Bedingungen gelten.

Auch die Folgen zweier Fehlerarten unterscheiden sich. Wird ein tatsächliches Problem übersehen, kann der Eingriff zu spät erfolgen. Werden dagegen ständig Alarme ausgelöst, obwohl kein Problem vorliegt, steigt der Prüfaufwand, und Warnungen werden möglicherweise weniger ernst genommen. Eine Bewertung sollte deshalb nicht nur die Gesamtgenauigkeit ausweisen, sondern beide Fehlerarten und ihre betrieblichen Auswirkungen getrennt darstellen.

Dieselbe Sorgfalt ist bei Änderungen nötig. Der Austausch eines Sensors, die Umbenennung eines Datenfelds oder die Aktualisierung des Modells kann ein zuvor getestetes Verhalten beeinflussen. Es muss feststehen, wer Änderungen vornehmen darf, was erneut geprüft werden muss und wie bei Bedarf zur vorherigen Version zurückgekehrt werden kann.

Die britische Eisenbahnaufsicht ORR betont in ihrer Betrachtung zur digitalen Sicherheit, dass Risiken nicht nur von einzelnen Systemen ausgehen können, sondern auch bei deren Integration, Änderung und Betrieb entstehen. Menschliche Entscheidungsprozesse und die Lieferkette gehören ebenfalls zu diesem Gesamtbild.

Deshalb genügt auch die Aussage „Ein Mensch muss zustimmen“ allein nicht. Die zuständige Person muss die Quelle einsehen, die Warnung verstehen, sie bei Bedarf zurückweisen können und dafür genügend Zeit haben. Eine Person vor einem Bildschirm, die nicht eingreifen darf oder nicht erkennen kann, was sie gerade freigibt, ist noch kein wirksam gestalteter Kontrollmechanismus.

Was hat diese Diskussion mit KI-Projekten in Unternehmen zu tun?

Die Folgen eines fehlerhaften Lagerbestands im E-Commerce sind natürlich nicht mit denen eines Bahnunfalls vergleichbar. Einige Fragen bei der Bewertung technischer Anwendungen sind dennoch dieselben: Sind die Daten aktuell? Wer darf entscheiden? Wie werden fehlerhafte Aktionen erkannt? Wie arbeitet das Team weiter, wenn das System ausfällt?

Verwendet beispielsweise ein Kundenservice-Assistent eine veraltete Fassung der Rückgaberichtlinie, löst eine flüssigere Ausdrucksweise das Problem nicht. Verzögert sich der Abgleich der Lagerbestände, kann ein Empfehlungsmodell ein nicht verfügbares Produkt noch überzeugender empfehlen. Auch die korrekte Einordnung einer Gästenachricht im Hotel bleibt unvollständig, wenn nicht überprüft wird, ob die Aufgabe das richtige Team erreicht hat und erledigt wurde.

Diese Beispiele zeigen, warum KI-Beratung vor der Modellauswahl die Arbeitsabläufe betrachten sollte. Ausgangspunkt sollte ein konkreter Vorgang sein, bei dem Teams wiederholt Zeit verlieren oder Fehler machen. Anschließend sind Datenquelle, Entscheidungsgrenzen, menschliche Kontrolle und Erfolgsmaßstab gemeinsam zu gestalten.

Für manche Probleme ist möglicherweise gar kein neues Modell erforderlich. Eine saubere Datenanbindung, eine klare Regel oder ein Freigabeprozess kann die einfachere und besser überprüfbare Lösung sein. Der zusätzliche Wert künstlicher Intelligenz zeigt sich erst im Vergleich mit solchen Alternativen.

Wie lässt sich ein messbares KI-Pilotprojekt gestalten?

Der folgende Plan ist ein Arbeitsrahmen, den wir Unternehmen für den Einstieg in operative KI-Projekte empfehlen. Er ersetzt weder die Sicherheitstechnik im Eisenbahnwesen noch Konformitätsbewertungen oder branchenspezifische Genehmigungsverfahren. Für den allgemeinen Umgang mit Risiken bietet das NIST AI Risk Management Framework eine hilfreiche Orientierung. Es betrachtet das Risikomanagement über den gesamten Lebenszyklus eines Systems.

1. Wählen Sie einen einzelnen Arbeitsablauf und definieren Sie seine Grenzen

Wählen Sie statt „das Unternehmen mit KI transformieren“ beispielsweise die Weiterleitung von Supportanfragen an das richtige Team. Halten Sie fest, ob das System nur Vorschläge machen, Datensätze anlegen oder auch Aktionen ausführen soll. Befugnisse wie Nachrichten an Kunden senden, Zahlungen ausführen oder Daten löschen müssen gesondert bewertet werden.

2. Erfassen Sie die bisherige Leistung

Messen Sie vor dem Pilotprojekt Bearbeitungszeit, Fehlerquote und Arbeitsbelastung des Teams. Ohne Kenntnis des Ausgangszustands lassen sich behauptete Verbesserungen schwer überprüfen. Vergleichen Sie unter ähnlichen Bedingungen und bei vergleichbarem Arbeitsvolumen. Der direkte Vergleich einer Kampagnenphase mit einer ruhigen Phase kann irreführend sein.

3. Trennen Sie die Daten und die Testbeispiele

Legen Sie fest, welche Quelle maßgeblich ist, wie aktuell Daten sein müssen und welche Zugriffsrechte gelten. Messen Sie den Erfolg nicht nur an den Beispielen, die zur Vorbereitung des Systems verwendet wurden. Prüfen Sie mit separaten Testbeispielen auch Situationen wie fehlende Datensätze, widersprüchliche Informationen, unerwartete Anfragen und Verbindungsunterbrechungen.

4. Testen Sie zunächst ohne tatsächliche Eingriffe

Im Schattenbetrieb erzeugt das System Vorschläge, ohne die tatsächliche Entscheidung zu verändern. So lassen sich die Vorschläge mit dem bestehenden Prozess vergleichen. Fehlerfälle können untersucht und der Anwendungsbereich eingegrenzt werden. In der nächsten Phase mit begrenzten Befugnissen und menschlicher Freigabe weiterzuarbeiten, hilft dabei, Probleme unter kontrollierteren Bedingungen zu erkennen.

5. Legen Sie Fortführungs- und Abbruchkriterien im Voraus fest

Halten Sie vor Beginn des Pilotprojekts fest, bei welchen Ergebnissen es ausgeweitet wird, bei welchen Fehlern es gestoppt wird und wer verantwortlich ist. Das Erreichen eines Ziels darf ein anderes Risiko nicht verdecken. Wenn das System schneller wird, zugleich aber fehlerhafte Aktionen oder der Prüfaufwand zunehmen, liefert es möglicherweise noch nicht den erwarteten Nutzen.

Im Ergebnisbericht sollten mindestens folgende Kennzahlen nebeneinanderstehen:

• Geschäftliches Ergebnis: Das gewählte Ziel, etwa Bearbeitungszeit, korrekte Weiterleitung oder fristgerechte Erledigung.
• Fehlerverteilung: Übersehene Probleme, Fehlalarme und Beispiele kritischer Fehler.
• Menschlicher Arbeitsaufwand: Die Zeit für Kontrolle, Korrekturen und die Bearbeitung von Ausnahmefällen.
• Gesamtkosten: Neben der Modellnutzung auch die Kosten für Integration, Wartung und Prüfung.
• Betriebstauglichkeit: Nachvollziehbare Protokolle, Datenaktualität, Verhalten bei Ausfällen und die Funktionsfähigkeit der Rückkehr zum vorherigen Stand.

Ein gutes Pilotprojekt muss nicht immer zu einer größeren Einführung führen. Bei unzureichenden Daten zur Vorbereitung zurückzukehren, bei begrenztem Nutzen eine regelbasierte Lösung beizubehalten oder bei zu hohem Risiko das Projekt zu stoppen, kann ebenfalls ein wertvolles Ergebnis sein.

Häufig gestellte Fragen

Kann künstliche Intelligenz Bahnunfälle vollständig verhindern?

Eine solche Garantie ist nicht möglich. KI kann bei bestimmten Aufgaben die Früherkennung und Entscheidungsfindung unterstützen. Sicherheit erfordert jedoch, Infrastruktur, Zugbeeinflussung, Instandhaltung, Betrieb und menschliche Faktoren gemeinsam zu betrachten. Jede Anwendung muss unter ihren eigenen Einsatzbedingungen validiert werden.

Ist ETCS ein KI-System?

ETCS ist das europäische Zugbeeinflussungssystem, das überwacht, ob ein Zug innerhalb der zulässigen Geschwindigkeits- und Entfernungsgrenzen bleibt. Der Einsatz mathematischer Berechnungen wie Bremskurven macht es nicht zu generativer KI oder einem Chatmodell.

Ersetzt vorausschauende Instandhaltung die bestehende Wartung?

Nicht automatisch. Datenbasierte Prognosen können die Priorisierung von Wartungsarbeiten unterstützen. Bestehende Instandhaltungspflichten oder Sicherheitsverfahren sollten nicht allein deshalb geändert werden, weil ein Modell es empfiehlt. Änderungen müssen die jeweils erforderliche technische Bewertung durchlaufen.

Womit sollte ein Unternehmen bei einem KI-Projekt beginnen?

Mit einem begrenzten Arbeitsablauf, dessen Daten zugänglich sind, dessen Verantwortung klar geregelt ist und dessen Ergebnis gemessen werden kann. Erfassen Sie zunächst die bisherige Leistung und bewerten Sie anschließend in einem kleinen Pilotprojekt Nutzen, Fehler und menschliche Kontrolle gemeinsam.

Geht es bei KI-Beratung nur um die Auswahl von Werkzeugen?

Die Werkzeugauswahl ist ein Teil der Arbeit. Werden Datenquellen, Integrationen, Zugriffsrechte, Teamschulungen, Freigabeprozesse und Ergebnismessung nicht gemeinsam betrachtet, kann selbst ein gutes Werkzeug vom täglichen Betrieb abgekoppelt bleiben.

Finden wir gemeinsam heraus, wo KI Ihrem Unternehmen helfen kann

Bei GadgetMall umfasst KI-Transformation die Bewertung von Arbeitsabläufen und Datenquellen, die Entwicklung einer Roadmap, Integration, Teamschulung und die Messung der Ergebnisse. Dieser Ansatz richtet sich an Unternehmensprozesse wie Kundensupport, Inhalte, Handel und interne Abläufe.

Für den Einstieg benötigen Sie kein umfassendes technisches Lastenheft. Beschreiben Sie uns eine wiederkehrende Aufgabe, die verwendeten Werkzeuge und das Ergebnis, das Sie verbessern möchten. Gemeinsam können wir besprechen, welcher Schritt für Automatisierung geeignet ist, wo menschliche Freigabe erhalten bleiben sollte und wie sich ein Pilotprojekt messen lässt.

Sprechen Sie mit GadgetMall über KI-Transformation oder schreiben Sie an hello@gadgetmall.uk.

Dass KI überall sichtbar ist, bedeutet nicht, dass alle Systeme automatisch besser funktionieren. Echter Fortschritt beginnt dort, wo wir klar zeigen können, welches Problem gelöst wird, wo die Grenzen der Lösung liegen und welches Ergebnis im praktischen Einsatz erreicht wird.