09.09.2026 Wann kann eine KI bei Material-Rezepturen oder Farbeinstellungen etwas leisten?

Die allgemeine Wahrnehmung, was „Künstliche Intelligenz“ im Kern bedeutet, hat sich merklich verschoben. Wer sich zum Beispiel einen Brief von ChatGPT, Copilot oder Perplexity schreiben lässt, ist begeistert vom Stil, der Prägnanz oder den Verweisen, auf die man selbst gar nicht gekommen wäre. Mit ein paar „persönlichen Änderungen und etwas Feinschliff“ sind Schreibarbeiten in fünf Minuten erledigt, die sonst einen halben Tag gedauert hätten. Auch Tipps für Verweise in Tabellenkalkulationen oder kleinere Programmierarbeiten sind überaus wertvoll, wenn man den „großen Sprachmodellen“ die richtigen Fragen stellt. Sie greifen auf gigantische Datenbanken zu und erleichtern spezifische Arbeiten deutlich. Mittlerweile wird auch praktisch jede „offene“ Suchanfrage im Internet durch eine „KI“ ausgewertet, die sich in den Vordergrund drängt. Sie nimmt uns das Durchsehen der endlosen Such­ergebnisse durch eine Meta-Recherche in den Vorergebnissen ab. Haben Sie sich an diese „Dienstleistung“ auch so schnell gewöhnt?

Doch wie sieht es mit der Auswertung von firmeninternen Daten wie Preisen, Herstellkosten, Margen, Prozesseinstellungen, Rezepturdatenbanken, Laborergebnissen oder Prüfzeugnissen aus? Mit diesen Daten kann nur ein Algorithmus arbeiten, der sich im selben internen Netz befindet und entsprechende Zugriffsrechte besitzt. Sensible Firmendaten erlauben theoretisch überaus wertvolle Einblicke, Überblicke, Prognosen oder Management-Entscheidungen. Je nach Umfang und Datengüte innerhalb der verbundenen PLM-Datenbanken (Product Lifecycle Management) sind automatisierte Rezeptur-Erstellungen oder CO2-Bilanzen von Neuentwicklungen möglich.

Die Ergebnisse der Analysen können natürlich nur so gut sein, wie es ihre Datengrundlage ist. Auch wenn mathematische „Kniffe“ wie Bayessche Netze zur Ermittlung von Eintritts-Wahrscheinlichkeiten bei schmaler Datenbasis verwendet werden, ist die Unsicherheit einer Prognose oder einer Tendenz umso größer, je geringer die verwertbaren Daten sind. Die Tatsachen der realen Welt machen es dabei nicht leichter: Gerade bei komplexen Produktionssystemen ist die Menge an Einflussfaktoren umfangreich. Sie sind zudem Wechselwirkungen unterworfen und in den meisten Fällen hochgradig nichtlinear. Das macht eine Einschätzung der Plausibilität der erstellten Prognosen bei komplexen Zusammenhängen für den Menschen schwierig – und dieser muss letztendlich entscheiden, ob eine Prognose oder eine Tendenz in Rezepturen, Prozessen, Preisgestaltungen oder Investitionen im Unternehmen zur Realität wird.

In den etablierten Steuerungssystemen der Unternehmen werden, wenn es optimal läuft, die Daten der zentralen Geschäftsbereiche verknüpft und analysiert. Durch statistische Methoden oder maschinelles Lernen zeigen sich Muster, die das ansonsten eher undurchsichtige Arbeiten im Tagesgeschäft überlagern. Dazu gehört auch die Betrachtung vorhandener Rezepturen und die ihnen zugeordneten Prüfergebnisse von Produkten. Wenn hier starke Zusammenhänge („Korrelationen“) bestehen und alle wesentlichen Einflüsse berücksichtigt werden, sind automatisch erstellte Rezepturen Vorschläge für eine gute Ausgangsbasis und vergleichbar mit einem ChatGPT-Brief. Erst die „persönlichen Ergänzungen und etwas Feinschliff“ werden den Erfolg sichern und den Menschen nicht etwa ersetzen, sondern ihn vielmehr bei seiner besonderen Expertise unterstützen. Wenn die fehlt, merkt man das schnell.

Die technischen Systeme für die Analyse von Korrelationen, Optima, Tendenzen oder Mustern existieren innerhalb von Unternehmen seit vielen Jahren. Ob und wie sie genutzt werden, ist keine Frage der technischen Möglichkeit, sondern eine Frage der Unternehmenskultur und der Erfahrung, dass aus gepflegten Daten solide, wegweisende Entscheidungen getroffen werden.

An dieser Stelle liegt eine oft unterschätzte Verantwortung: Nicht bei „der IT“, nicht bei dem „System“, sondern bei jedem einzelnen Mitarbeitenden, der Daten erzeugt, verändert oder nutzt. Eine Datenbank ist kein Selbstzweck und keine Blackbox – sie ist das kollektive Gedächtnis eines Unternehmens. Wer unvollständig dokumentiert, Abkürzungen nimmt oder vermeintlich „unwichtige“ Details weglässt, entscheidet aktiv darüber, wie belastbar zukünftige Auswertungen sind.
Könnte ein/e neue/r Kollege bzw. Kollegin, der/die morgen beginnt, mit genau diesen Informationen meine Arbeit nachvollziehen und fortführen? Würde er/sie verstehen, warum eine Rezeptur angepasst wurde, warum ein Parameter außerhalb der üblichen Grenzen gewählt wurde oder warum ein Versuch als „nicht erfolgreich“ bewertet wurde? Wenn die Antwort nicht eindeutig „ja“ lautet, ist die Datenbasis bereits geschwächt – und damit auch jede spätere KI-gestützte Auswertung.

Gerade im Umfeld von Rezepturen, Pigmentierungen oder Prozessparametern sind es häufig die scheinbar kleinen Randbedingungen, die über Erfolg oder Misserfolg entscheiden. Diese sauber zu dokumentieren, konsistent zu pflegen und strukturiert zugänglich zu machen, ist keine lästige Zusatzaufgabe, sondern die Voraussetzung dafür, dass moderne Analysewerkzeuge sinnvoll eingesetzt werden können. Eine KI kann keine Erfahrung ersetzen – aber sie kann dort unterstützen, wo Erfahrung in Daten übersetzt wurde.

Der eigentliche Hebel liegt also weniger in der nächsten Softwaregeneration als im täglichen Umgang mit den vorhandenen Systemen. Wer Daten so erfasst, als würde er sie einem fachfremden Dritten erklären müssen, schafft die Grundlage dafür, dass aus isolierten Einzelinformationen ein belastbares Gesamtbild entsteht. Und genau diese Vorgehensweise ist es, die aus dem „KI-Hype“ einen echten Wettbewerbsvorteil für ein Unternehmen macht.