Monolith AI

Kurzfazit

Monolith AI ist eines der wenigen KI-Tools, das echte Ingenieursarbeit zum Ziel hat, nicht Marketingtexte, nicht Code, sondern physische Produktentwicklung. Die Plattform lernt aus realen Testdaten (Crashversuche, Batterietests, Akustikmessungen, Windkanal) und sagt vorher, wie sich neue Designvarianten verhalten werden, ohne dass jeder Prototyp gebaut werden muss. Die Referenzliste, BMW, Mercedes-Benz, Nissan, Rolls-Royce, BAE Systems, Vertical Aerospace, Honeywell, ist branchenintern bemerkenswert. Schwach bleibt die Plattform bei Transparenz und Einstiegshürde: Preise sind nicht öffentlich, ein deutschsprachiger Support fehlt, und die Übernahme durch CoreWeave (US-GPU-Cloud) im Oktober 2025 wirft neue DSGVO-Fragen auf, die Käufer 2026 sorgfältig prüfen sollten.

Für wen ist Monolith AI?

Test- und Produktentwicklungsingenieure (Automotive, Aerospace, Battery): Das ist die Kernzielgruppe. Wer als R&D-Ingenieur mit Sensordaten, Crash-Logs, Batteriezyklen oder Akustikmessungen arbeitet, findet hier eine Plattform, die genau diese Datenströme versteht. Die Notebook-Oberfläche ist bewusst an die Arbeitsweise von Ingenieuren angelehnt, nicht an die von Data Scientists. Modellbau, Validierung und Vorhersage laufen ohne eine Zeile Code.

Mittlere bis große Unternehmen mit Test-Datenarchiv: Monolith entfaltet seinen Nutzen erst, wenn historische Testdaten in nennenswertem Umfang vorliegen, typischerweise hunderte bis tausende Versuchsläufe mit konsistenter Sensor-Instrumentierung. Hersteller, die seit Jahren CAE/CAT-Daten archivieren, haben einen Hebel, den frische Daten nicht ersetzen.

Motorsport-Teams und Racing-Engineering: PREMA Racing, JOTA und andere Rennteams nutzen Monolith, um Setup-Optimierungen zu beschleunigen, wenige Testläufe, viele Variablen, hoher Zeitdruck. Das passt zur Methodik der Plattform: Aus wenigen physischen Tests viele virtuelle Varianten ableiten.

Battery-Entwickler: Webasto, CamMotive und Honeywell haben Monolith für Batterietests, Zellanalyse und Anomalieerkennung eingesetzt. In einer Branche, in der jeder Zyklustest Wochen kostet und Hunderte Sensoren beobachtet werden müssen, ist die Plattform ein direkter Produktivitätshebel.

Verpackungs- und Materialhersteller: AptarGroup, Kautex-Textron und Nanopharm zeigen, dass auch außerhalb der klassischen Mobilitätsindustrien Use Cases bestehen, überall dort, wo physische Tests teuer sind und sich Designparameter oft variieren.

Weniger geeignet für: KMU ohne dediziertes Engineering-Team, Unternehmen ohne strukturierte Testdaten-Historie, Projekte mit DSGVO-Höchstanforderungen (medizinische Geräte, sicherheitskritische Behördensysteme), reine Softwareentwicklung (dafür sind Cursor oder GitHub Copilot die richtigen Werkzeuge) und alle, die einen Allround-Assistenten suchen, Monolith ist ein Spezialwerkzeug.

Preise im Detail

Plan	Preis	Was du bekommst
Demo / PoC	Auf Anfrage	Sales-geführte Erstanalyse: prüft, ob deine Datenhistorie für brauchbare Modelle reicht. Üblicherweise mehrwöchiger Pilot mit eigenen Daten.
Enterprise	Auf Anfrage (sechsstellig p.a. typisch)	Vollzugriff auf Core Platform, Test Data Validation, Test Plan Optimisation, System Calibration. Hosting in der CoreWeave-Cloud, dedizierte Ansprechpartner, AVV verhandelbar.
On-Premise / Custom Deployment	Auf Anfrage	Für Kunden mit strikten Datenschutz- oder IP-Anforderungen (Aerospace, Defense). Selten kommuniziert, aber laut Kunden-Cases (BAE Systems, Thales) realisiert.

Einordnung: Monolith macht aus seinem Pricing ein klares Statement: Das ist kein Self-Service-Tool, sondern ein Enterprise-Vertrag. Die typischen Jahresvolumen liegen, verlässliche Indikationen aus Branchenquellen und Vertragsgrößen vergleichbarer Engineering-Plattformen, im niedrigen bis mittleren sechsstelligen Bereich, je nach Modulen, Nutzerzahl und Datenvolumen. Wer ernsthaft mit Monolith arbeiten will, muss mit einer mehrmonatigen Implementierungsphase und Beratungsanteil rechnen. Das ist branchenüblich für Engineering-Software (Ansys, Siemens, Dassault liegen ähnlich), aber für kleinere Hersteller und mittelständische Lieferanten eine echte Eintrittsschwelle. Konkret: Erwarte einen Pilotvertrag (typisch 3–6 Monate, niedriger fünfstelliger Bereich) bevor du zu einem Jahresvertrag kommst, und plane mindestens 1 Engineering-FTE für die interne Datenaufbereitung ein.

Stärken im Detail

Speziell für Ingenieure gebaut. Der größte Unterschied zu generischen ML-Plattformen wie Databricks oder DataRobot: Die Notebook-Umgebung von Monolith spricht die Sprache des Engineerings. Sensoren, Testläufe, Materialspezifikationen, Toleranzbänder sind direkt verständlich modelliert. Ingenieure müssen nicht in Python denken, sondern in Versuchen, und genau das senkt die Adoptionsschwelle, an der vergleichbare ML-Initiativen in Engineering-Abteilungen oft scheitern.

Lernt aus dem, was schon da ist. Die meisten ML-Tools erwarten saubere, neu gelabelte Trainingsdaten. Monolith ist explizit darauf ausgelegt, mit den Daten zu arbeiten, die in Engineering-Abteilungen ohnehin entstehen, Sensordaten aus Prüfständen, CAE-Ergebnisse, Materialdatenbanken. Das macht den Einstieg drastisch günstiger, weil keine separaten Trainingskampagnen nötig sind.

Test Data Validation als unterschätzter Hebel. Das Modul findet laut Anbieter über 90 % der Anomalien in Sensorkanälen, schiefe Kalibrierungen, ausgefallene Sensoren, Drift in Messketten. In großen Testkampagnen sind solche Fehler die größte versteckte Kostenquelle: Wer einen Crashtest fährt und erst hinterher merkt, dass Kanal 7 driftete, wiederholt den Test. Webasto berichtete, dass Anomalieerkennung in der Batterievalidierung von “Wochen auf Stunden” beschleunigt wurde, das ist eine andere Größenordnung als das, was klassische Tools liefern.

Test Plan Optimisation reduziert Prototypenkosten. Das Modul schlägt vor, welche Versuchsläufe wirklich neue Information liefern und welche redundant sind. Nissan hat damit laut Case Study 17 % der physischen Tests eingespart, Jota Sport sogar 80 % der Trackzeit. Für Branchen, in denen ein Prototyp fünf- bis sechsstellig kostet (Crashtest, Flugerprobung, Batteriezyklus), zahlt sich allein dieses Modul schnell aus.

Unsicherheitsabschätzung als Ehrlichkeitssignal. Im Unterschied zu vielen ML-Tools, die Punkt-Vorhersagen liefern und so tun, als wäre das Ergebnis sicher, zeigt Monolith systematisch ein Konfidenz-Band. Ingenieure sehen, wo das Modell genug Daten hat und wo es spekuliert. Für sicherheitskritische Anwendungen, Crash, Aerospace, Medizinprodukte, ist das eine harte Anforderung, kein Nice-to-Have.

Industriereferenzen mit Substanz. BMW (Crashtest-Modelle), Mercedes-Benz (Antriebsstrang), Nissan (Reduktion physischer Tests), Rolls-Royce (Turbomaschinen-Design), BAE Systems (Verteidigung), Vertical Aerospace (eVTOL), Honeywell (Energiemessung), AptarGroup (Verpackung). Diese Kundenliste ist nicht durch Marketing erkauft, sondern durch über zehn Jahre tatsächlicher Industriearbeit entstanden, bemerkenswert für ein KI-Unternehmen.

Schwächen ehrlich betrachtet

Pricing-Intransparenz. Es gibt keine öffentliche Preisliste, keinen Self-Service-Tarif, keinen kalkulierbaren Einstieg. Wer wissen will, was Monolith kostet, muss ein Sales-Gespräch führen, und dort hängt der Preis von Datenvolumen, Modulen und Verhandlungsmacht ab. Das ist branchenüblich für Engineering-Software, aber für ein Tool, das 2026 in einer Welt mit transparenten KI-Preisen agiert, wirkt es zunehmend altmodisch.

Kein deutschsprachiger Support. Oberfläche, Dokumentation, Customer Success und Schulungen laufen ausschließlich auf Englisch. Für englischsprachige Engineering-Teams in deutschen Konzernen kein Problem; für mittelständische Hersteller mit gemischten Sprachprofilen eine echte Hürde, besonders in der Anfangsphase, wo Onboarding und Datenverständnis kritisch sind.

Hoher Datenhunger. Monolith funktioniert nur gut, wenn historische Testdaten in nennenswertem Umfang vorhanden sind, und zwar konsistent. Wer in den letzten Jahren Sensorik oder Testprotokolle umgestellt hat, sitzt mit fragmentierten Daten da, die das Modell nicht sauber lernen kann. In der Praxis ist die Datenaufbereitung der größte Aufwand und oft der Grund, warum PoCs sich verzögern.

Eigentumswechsel: Was bedeutet CoreWeave? Im Oktober 2025 wurde Monolith AI von CoreWeave übernommen, einer US-amerikanischen GPU-Cloud, die selbst erst kürzlich an die Börse gegangen ist und stark in den KI-Boom investiert. Für Bestandskunden wirft das Fragen auf: Bleibt das Produkt eigenständig oder wird es in CoreWeave-Angebote integriert? Bleibt die EU-Kundenbasis priorisiert? Wie ändert sich die Datenverarbeitung, wenn die Privacy Policy bereits auf CoreWeave-Dokumente umleitet? Diese Unsicherheit ist real und sollte in Vertragsverhandlungen 2026 explizit adressiert werden.

Onboarding-Dauer von Wochen. Ein realistischer Erstvorhersagewert dauert typischerweise vier bis acht Wochen ab Vertragsunterzeichnung, Datenexport aus internen Systemen, Mapping, Modelltraining, Validierung. Wer schnelle Ergebnisse erwartet, wird enttäuscht. Das ist kein Mangel des Tools, aber eine Erwartung, die Vertrieb und Marketing nicht immer klar setzen.

Schmaler Anwendungsbereich. Monolith ist ein Spezialwerkzeug für Test- und Versuchsdaten in physikalisch-mechanischen Domänen. Wer Software-Engineering, Marketing, Wissensarbeit oder klassische Unternehmens-KI-Anwendungen sucht, ist hier falsch, und sollte zu Allround-Plattformen oder spezialisierten Werkzeugen in seinem Feld greifen.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Crash- und FEM-Simulation physikbasiert statt ML brauchst	Ansys LS-DYNA
Eine etablierte CAE-Suite mit eigener ML-Strategie willst	Altair HyperWorks
AutoML für tabellarische Vorhersagemodelle suchst	DataRobot
Eigene ML-Pipelines auf Lakehouse-Architektur bauen willst	Databricks
Konstruktions- und Simulationswerkzeuge in einer CAD-Plattform brauchst	Autodesk Fusion 360

Erwähnenswert ohne eigene Tool-Seite: Ansys SimAI, Altair PhysicsAI, Rescale, Siemens Simcenter Reduced Order Modeling, Hexagon ETA und MathWorks Statistics and Machine Learning Toolbox, alles etablierte Werkzeuge im selben Umfeld. Monolith ist kein Allrounder, sondern ein ausgereiftes Spezialwerkzeug für Test- und Versuchsdaten. Wer Crash-Daten, Batterietests oder Akustikmessungen in industriellem Maßstab analysiert, findet hier eine der wenigen Plattformen, die genau diesen Use Case versteht. Wer breiter aufgestellt sein will, kombiniert Monolith mit einer klassischen CAE-Plattform und einer Datenpipeline.

So steigst du ein

Schritt 1: Datenbestand ehrlich prüfen. Bevor du eine Demo anforderst, frage intern: Wie viele dokumentierte Testläufe haben wir in den letzten fünf Jahren? Sind Sensorbelegung, Materialcodes und Testbedingungen konsistent? Wenn die Antwort “ja” lautet, lohnt sich der Erstkontakt. Wenn die Datenhistorie fragmentiert ist, plane sechs bis zwölf Monate Datenaufbereitung ein, sonst wird der Pilot enttäuschen.

Schritt 2: Demo + Pilot anfragen. Auf monolithai.com eine Demo anfordern. Erwarte einen mehrstufigen Sales-Prozess: erste Bedarfsanalyse, technische Vor-Evaluation (was sind eure Datenquellen?), dann Pilotvorschlag. Für den Pilot konkret Use Case und Erfolgsmetrik definieren (“80 % Korrelation zwischen Vorhersage und physischem Test bei drei Designvarianten X, Y, Z”), sonst wird der PoC schwammig.

Schritt 3: Interne Strukturen schaffen. Plane für die Produktivphase mindestens einen Engineering-FTE als Daten-Owner und einen IT-Ansprechpartner für Datenexports aus Test- und CAE-Systemen. Monolith liefert das Tool, nicht das Engineering. Wer die internen Hausaufgaben nicht macht, sieht die versprochene Test-Reduktion auch nicht.

Schritt 4 (kritisch): Vertragsklauseln zu CoreWeave klären. Seit Oktober 2025 ist Monolith Teil von CoreWeave. Lass dir vor Vertragsunterschrift in 2026 explizit zusichern: Wo werden Daten verarbeitet? Welche AVV gilt? Gibt es eine Garantie zur Verarbeitung in der EU? Wie sieht die Exit-Strategie aus, wenn CoreWeave Monolith ins eigene Cloud-Portfolio integriert? Diese Fragen waren vor 2025 anders gewichtet, heute sind sie zentral.

Ein konkretes Beispiel

Ein deutscher Automobilzulieferer (1.800 Mitarbeitende, Fokus Antriebsstrang und E-Mobility) hat über sieben Jahre rund 12.000 Prüfstandsläufe für Hochvolt-Batteriepacks dokumentiert: Zyklusalterung, thermisches Verhalten, mechanische Belastung. Die klassische Auswertung dieser Daten dauerte pro Designänderung vier bis sechs Wochen, durchgeführt von zwei Spezialisten in Excel und Matlab. Mit Monolith AI lädt das Team den historischen Datenbestand in die Plattform, baut ein Vorhersagemodell für Kapazitätsverlust nach 1.500 Zyklen und kann nach einer Trainingsphase von drei Wochen neue Zellchemien und Gehäusedesigns virtuell testen. Ergebnis nach sechs Monaten Produktivbetrieb: Drei laufende Entwicklungsprojekte beschleunigt, im Schnitt vier physische Testläufe pro Projekt eingespart (à ca. 18.000 €), Time-to-Market für die nächste Produktgeneration um zwei Quartale verkürzt. Lizenzkosten Monolith: oberer fünfstelliger Bereich pro Jahr, laut interner Rechnung bereits nach dem zweiten gesparten Testlauf amortisiert. Was bleibt: Die Modellvorhersagen werden konsequent durch physische Stichproben validiert. Monolith ersetzt keine Tests, sondern macht klar, welche Tests den größten Erkenntnisgewinn bringen.

DSGVO & Datenschutz

• Datenhosting: Bis Oktober 2025 Hosting laut Marketingmaterial in der EU (AWS Frankfurt). Seit der Übernahme durch CoreWeave leitet die offizielle Privacy-Policy auf CoreWeave-Dokumente um, die Hosting-Strategie ist im Umbruch. Bestandskunden sollten den aktuellen Status explizit beim Kundenmanagement erfragen.
• Unternehmenssitz: Monolith AI Ltd. mit Sitz in London, UK. Die Muttergesellschaft CoreWeave Inc. hat ihren Sitz in den USA.
• Datennutzung: Testdaten von Kunden bleiben nach Anbieterangabe Eigentum des Kunden und werden nicht für das Training generischer Modelle verwendet. Dies sollte vertraglich explizit zugesichert werden, die Branche kennt zu viele Beispiele, wo solche Klauseln nach einer Übernahme neu verhandelt wurden.
• Auftragsverarbeitung (AVV): Für Enterprise-Kunden Standard, vor Vertragsabschluss verhandeln. Insbesondere bei Mehrnutzer-Setups und transatlantischen Datenflüssen explizit auf SCCs und EU-Verarbeitung achten.
• Sicherheitszertifizierungen: Monolith arbeitet seit Jahren mit Verteidigungs- und Sicherheitskunden (BAE Systems, Thales UK). Entsprechende Zertifizierungen (ISO 27001, vergleichbare Standards) sind über das Sales-Team zugänglich, aber nicht öffentlich dokumentiert.
• Empfehlung für Unternehmen: Für DSGVO-sensible Branchen (Automotive mit Personenbezug in Felddaten, Medizintechnik) eine Datenschutz-Folgenabschätzung durchführen und die neue CoreWeave-Konstellation explizit prüfen. Wer Testdaten ohne Personenbezug verarbeitet (rein technische Sensorik), ist deutlich entspannter.

Gut kombiniert mit

• Klassische CAE-Software (Ansys, Abaqus, Siemens Simcenter), Monolith ersetzt keine physikalische Simulation, sondern ergänzt sie um datengetriebene Vorhersagen aus realen Messungen. Die Kombination “physikbasiert + datenbasiert” liefert robustere Ergebnisse als jeder Ansatz allein.
• Test-Datenmanagement-Systeme (TDMS, Datawatch, Tibco), Monolith profitiert massiv von sauber strukturierten Versuchsdaten. Wer noch in Excel arbeitet, sollte zuerst ein TDM-System einführen, dann Monolith aufsetzen.
• Claude oder ChatGPT, für die Berichterstellung. Monolith liefert harte Ergebnisse (Vorhersagen, Konfidenzbänder, Modellqualität), aber das Schreiben von Reviews, Risikoeinschätzungen und Management-Reports übernimmt ein generisches LLM effizienter. Klassischer Workflow: Analyse in Monolith, Verschriftlichung in Claude.

Unser Testurteil

Monolith AI verdient 3 von 5 Sternen. Für die schmale Zielgruppe, an die es sich richtet, Engineering-Teams mit großer Testdaten-Historie in Automotive, Aerospace, Battery, Verpackung, gehört es zu den überzeugendsten KI-Werkzeugen am Markt. Die Notebook-Oberfläche, die Unsicherheitsabschätzung und die nachvollziehbare Industriereferenzliste heben Monolith deutlich von generischen ML-Plattformen ab. Den vierten Stern kostet das Tool die fehlende Preistransparenz, der fehlende deutschsprachige Support und die hohe Eintrittsschwelle (sechsstellige Jahresbudgets, Wochen bis Monate Onboarding). Den fünften Stern kostet die offene Frage nach der CoreWeave-Übernahme im Oktober 2025: Wie sich Hosting, Produktstrategie und EU-Compliance unter dem neuen Eigentümer entwickeln, ist 2026 noch nicht endgültig sichtbar. Bestandskunden berichten weiter von guten Ergebnissen, Neuinteressenten sollten Vertragsklauseln und Hosting-Garantien genau prüfen.

Was wir bemerkt haben

• Oktober 2025, Monolith AI wurde von CoreWeave, einer US-amerikanischen GPU-Cloud, übernommen. Die offizielle Privacy-Policy leitet inzwischen auf CoreWeave-Dokumente um. Für Bestandskunden eine echte Zäsur: Das vormals als “EU-Hosting” beworbene Angebot ist nach der Übernahme in seiner Datenstrategie unklar geworden, eine konkrete Aussage zur Verarbeitungsregion und AVV-Struktur fehlt 2026 noch.
• Mai 2025, PREMA Racing wurde Partner für die NTT INDYCAR SERIES, Cadillac Hertz Team JOTA integriert Monolith für Performance-Tests. Damit wächst die Motorsport-Präsenz weiter, Rennteams sind ein verlässlicher Frühindikator dafür, welche Engineering-KI tatsächlich produktiv läuft.
• Januar 2025, Vertical Aerospace (UK-eVTOL-Hersteller) wählt Monolith als “AI for Engineering”-Partner. Beleg dafür, dass die Plattform jenseits der etablierten Automobilindustrie auch in der entstehenden Urban-Air-Mobility-Branche Fuß fasst.
• 2024, Webasto berichtet öffentlich, dass die Anomalieerkennung in der Batteriepack-Validierung mit Monolith von “Wochen auf Stunden” beschleunigt wurde. Eines der konkretesten dokumentierten Effizienzversprechen in der Branche.
• Seit 2016, Monolith AI wurde von Dr. Richard Ahlfeld an der Imperial College London gegründet, mit ursprünglichen Wurzeln in NASA-Forschung. Über fast ein Jahrzehnt hat das Unternehmen eine bemerkenswerte Kundenliste aufgebaut (BMW, Mercedes-Benz, Nissan, Honda, Rolls-Royce, BAE Systems, Siemens), selten für ein KI-Engineering-Startup ohne den ganz großen Marketing-Lärm.