Cognivox Labs besuchte die AMI Compounding & Recycling Expo Europe 2026 in Frankfurt. Unternehmen aus Kunststoffrecycling, Compoundierung, Werkstofftechnik, Maschinenbau, Prüftechnik und industrieller Verarbeitung kamen dort zusammen, um über Technologie, Regulierung und die Zukunft der Kreislaufproduktion zu sprechen.
Für Cognivox Labs bot die Veranstaltung die Gelegenheit, genauer zu betrachten, wo KI, Daten und individuelle Software in realen industriellen Umgebungen relevant werden.
Im Mittelpunkt stand dabei nicht allein die Frage, wo sich KI einsetzen lässt, sondern wo digitale Systeme den Zugang zu technischem Wissen, betriebliche Abläufe, Materialdaten, Rückverfolgbarkeit und Entscheidungsprozesse sinnvoll verbessern können.
Industrielle KI braucht eine verlässliche Datengrundlage
Ein zentrales Thema der Fachvorträge war, wie stark industrielle KI von der Qualität, Konsistenz und dem Kontext der zugrunde liegenden Daten abhängt.
In der Werkstofftechnik und in Prozessumgebungen hängt die Leistungsfähigkeit eines Modells eng damit zusammen, wie Messwerte entstehen, unter welchen Bedingungen sie erhoben werden und ob diese Bedingungen zwischen Training und praktischem Einsatz vergleichbar bleiben.
Das verändert die Aufgabenstellung für KI.
Die Herausforderung besteht hier nicht nur darin, ein leistungsfähiges Modell auszuwählen oder zu trainieren. Ebenso wichtig sind Datenqualität, konsistente Messbedingungen, Reproduzierbarkeit, Validierung und ein Verständnis des betrieblichen Kontexts, in dem das Modell funktionieren soll.
Das bestätigt einen Grundsatz, der weit über die Werkstofftechnik hinaus gilt: KI im produktiven Einsatz ist eine Systemaufgabe und nicht allein eine Frage der Modellauswahl.
Von Materialdaten zu digitalen Workflows
Mehrere Vorträge zeigten auch, wie spezialisierte Materialdaten umfassendere industrielle Abläufe unterstützen können.
Zu den möglichen Anwendungen gehörten die Prüfung eingehender Materialien, digitale Produktinformationen, Zertifikate und Datenblätter, effizientere Sortierung, Simulations- und Rezepturdaten sowie die Analyse von Schwankungen zwischen Chargen.
Daraus ergeben sich vielfältige Einsatzmöglichkeiten für Software.
Industrielle Daten stehen selten für sich allein. Häufig müssen sie zwischen Prüfsystemen, Datenbanken, Dokumentenablagen, betrieblichen Anwendungen und Unternehmensplattformen ausgetauscht werden.
Hier können individuelle Software, APIs, Workflow-Automatisierung und intelligente Datenverarbeitung spezialisierte technische Prozesse mit der gesamten Organisation verbinden.
Datensouveränität in der industriellen KI
Ein weiteres wichtiges Thema in Gesprächen mit Fachleuten war der Umgang mit sensiblen betrieblichen und technischen Daten bei der Bewertung von Systemen auf Basis großer Sprachmodelle (LLMs).
Für Industrieunternehmen ist die Einführung von KI nicht nur eine Frage der Modellleistung.
Ebenso sorgfältig muss geprüft werden, wo Daten verarbeitet werden, wie Informationen gespeichert werden, auf welche Systeme das Modell zugreifen darf und wer letztlich die zugrunde liegende Infrastruktur kontrolliert.
Kommerzielle LLM-Anbieter können für viele Anwendungsfälle geeignet sein. Sie sind jedoch nicht die einzige Option.
Je nach Anforderungen an Sicherheit, Governance, Vertraulichkeit und Datenresidenz können Unternehmen auch Modelle mit offen verfügbaren Gewichten in kontrollierten Umgebungen betreiben, etwa in einer privaten Cloud oder auf eigener Infrastruktur vor Ort.
Wo es sinnvoll ist, lassen sich solche Modelle mit domänenspezifischen Daten anpassen oder feinabstimmen, während sensible Informationen innerhalb der kontrollierten Umgebung des Unternehmens bleiben.
Bei strengen Anforderungen an die Datenresidenz kann auch der Betrieb der KI-Infrastruktur in Deutschland oder innerhalb der EU Teil der Architektur sein.
Entscheidend ist, dass Modellauswahl und Bereitstellungsstrategie den betrieblichen Anforderungen sowie den Sicherheits- und Governance-Vorgaben des Unternehmens folgen, statt sich von vornherein auf einen einzigen Ansatz festzulegen.
Digitale Systeme entlang zirkulärer Wertschöpfungsketten
Die Veranstaltung machte auch die Komplexität zirkulärer Wertschöpfungsketten deutlich.
Recycling und Wiederverwendung umfassen verschiedene Materialstufen, technische Prozesse, Lieferanten, Verarbeiter, Zertifikate, Qualitätsanforderungen und nachgelagerte Abnehmer.
Je stärker diese physischen Wertschöpfungsketten vernetzt und auf Kreisläufe ausgerichtet werden, desto wichtiger werden auch die begleitenden digitalen Informationsflüsse.
Daraus entstehen Anforderungen an Rückverfolgbarkeit, technische Dokumentation, Lieferantendaten, Qualitätsinformationen, Berichterstattung und den Informationsaustausch zwischen unterschiedlichen Organisationen und Systemen.
Technologie muss wirtschaftlichen Nutzen schaffen
Der Einsatz von Technologie in industriellen Umgebungen muss letztlich einen messbaren betrieblichen Nutzen schaffen.
Die entscheidende Frage ist nicht, ob sich ein Workflow automatisieren oder ein Prozess um KI ergänzen lässt.
Weiter führen Fragen danach, ob ein System repetitive Arbeit reduziert, den Zugang zu Informationen verbessert, die Zuverlässigkeit erhöht, schnellere Entscheidungen unterstützt, die Rückverfolgbarkeit verbessert oder Prozesse verbindet, die bisher über verschiedene Werkzeuge verteilt sind.
Dies spiegelte sich auch in den Diskussionen über Wirtschaftlichkeit und Wettbewerbsfähigkeit im Recycling wider.
Was das für Cognivox Labs bedeutet
Die Veranstaltung bestärkte uns in mehreren Bereichen, in denen die Kompetenzen von Cognivox Labs für Industrieunternehmen relevant sein können.
Dazu gehören:
- Technische Wissenssysteme auf Basis von Handbüchern, Verfahrensanweisungen und betrieblicher Dokumentation
- KI-gestützter Wissenszugriff mit nachvollziehbaren Quellen
- Workflows zur Dokumenten- und Datenverarbeitung
- Individuelle betriebliche Anwendungen und Dashboards
- Unternehmensintegrationen und APIs
- Workflow-Automatisierung
- Private oder kontrollierte Bereitstellung von KI-Modellen
- Software, die spezialisierte industrielle Prozesse mit bestehenden Geschäftssystemen verbindet
Unser Ansatz bleibt branchenübergreifend derselbe: Zuerst verstehen wir das betriebliche Problem. Danach bestimmen wir, ob individuelle Software, Automatisierung, KI, Integration oder eine Kombination dieser Technologien die passende Lösung ist.
