Die Frage kommt in jedem zweiten Gespräch: „Welches KI-Modell empfehlen Sie?"
Die ehrliche Antwort ist unbequem: Das ist die falsche Frage. Und sie kommt zwei Schritte zu früh.
Das eigentliche Problem sitzt im Ordner, nicht im Modell
Ein mittelständisches Entwicklungslabor für Dicht- und Klebstoffe hat nach zwanzig Jahren typischerweise ein paar tausend Ansätze gefahren. Das ist ein Schatz. Nur liegt er so:
- Rezepturen in Excel – jede Datei ein bisschen anders aufgebaut, gewachsen über drei Mitarbeitergenerationen.
- Messwerte im Laborbuch, handschriftlich, teils als PDF eingescannt.
- Rohstoffdaten im ERP, unter Artikelnummern, die niemand mit der Rezeptur verknüpft.
- Und der wichtigste Teil: in den Köpfen. „Bei dem Füllstoff musst du aufpassen, der zieht Feuchte." Nirgends steht das. Es geht in Rente, wenn der Kollege in Rente geht.
Kein Modell der Welt lernt aus einer Sammlung uneinheitlicher Excel-Dateien. Nicht, weil es zu dumm wäre – sondern weil in diesen Dateien der Zusammenhang fehlt, der die Daten überhaupt zu Wissen macht. Was war die Fragestellung? Welche Charge? Welches Klima? Welcher Versuch war der Vorgänger?
Ein Datensatz ohne Kontext ist keine Information. Er ist eine Zahl.
Was passiert, wenn Daten strukturiert vorliegen
Sobald Rezeptur, Rohstoff, Prozess und Messwert im selben System zusammenhängen, kippt das Bild. Nicht, weil dann Magie einsetzt, sondern weil banale Dinge plötzlich gehen:
- Suchen statt erinnern. „Hatten wir schon mal ein System mit diesem Füllstoff und über 400 % Reißdehnung?" – eine Abfrage statt einer Woche Archivarbeit.
- Zusammenhänge sehen. Mehrdimensionale Analysen zeigen Wechselwirkungen, die in der Einzelbetrachtung unsichtbar bleiben. Zwei Stellgrößen wirken zusammen anders als jede für sich.
- Vorhersagen statt raten. Ist genug strukturierte Historie da, schätzt ein Modell das Ergebnis eines Ansatzes ab, bevor er gefahren wird. Nicht perfekt – aber gut genug, um die aussichtslosen Versuche vorher auszusortieren.
Der letzte Punkt ist der Hebel. Nicht das eine geniale Experiment findet die KI. Sie spart die neunzig, die man sich hätte sparen können.
Die Plattform, mit der wir arbeiten, weist dafür Werte von bis zu 70 % weniger Experimenten und einer bis zu 5× schnelleren Produktentwicklung aus. Das sind die Zahlen des Plattformanbieters, keine Messung aus Ihrem Haus – und genau deshalb ist die Reihenfolge so wichtig, die jetzt kommt.
Was KI im Labor nicht leistet
Damit die Erwartung stimmt, gehört das hier auf denselben Tisch:
- Sie ersetzt den Chemiker nicht. Ein Modell kennt keine Plausibilität. Es schlägt auch Kombinationen vor, die jeder Formulierer nach zwei Sekunden verwirft. Die Bewertung bleibt beim Menschen.
- Sie ersetzt die Prüfung nicht. Eine Vorhersage ist kein Prüfbericht. Für CE-Kennzeichnung und Leistungserklärung zählt die gemessene Prüfung nach Norm – nichts anderes.
- Sie repariert keine schlechten Daten. Sind die Ausgangsdaten unsauber, sind die Vorhersagen es auch. Nur schneller und mit mehr Nachkommastellen.
- Sie ist kein Projekt für ein Quartal. Der Aufwand liegt vorne, im Strukturieren. Der Nutzen kommt danach.
Wo der Einstieg tatsächlich beginnt
Nicht bei der Software. Bei drei Fragen:
- Welche Daten haben Sie wirklich? Nicht, welche Sie zu haben glauben. Der Unterschied ist regelmäßig ernüchternd – und der ehrlichste Startpunkt.
- Welche Frage soll beantwortet werden? „Wir wollen was mit KI machen" ist kein Ziel. „Wir wollen den Weichmacher substituieren, ohne die Kälteflexibilität zu verlieren" ist eins.
- Was passiert, wenn der Kollege geht? Wenn die Antwort „dann wissen wir es nicht mehr" lautet, haben Sie kein KI-Problem. Sie haben ein Wissensproblem – und das ist der Punkt, an dem Struktur sich sofort bezahlt macht.
Wer diese drei Fragen beantworten kann, braucht für den nächsten Schritt keine große Entscheidung. Der Rest ist Handwerk.
Der unbequeme Kern
Digitalisierung im Labor scheitert selten an der Technik. Sie scheitert daran, dass niemand die Zeit bekommt, die Daten von gestern in eine Form zu bringen, die morgen noch trägt.
Das ist keine IT-Aufgabe. Das ist eine Laboraufgabe – und sie braucht jemanden, der beide Sprachen spricht.