Monolith AI

Kurzfazit

Monolith AI zielt auf echte Ingenieursarbeit, nicht auf Marketingtexte oder Code, sondern auf physische Produktentwicklung. Die Plattform lernt aus realen Testdaten (etwa Batterietests, Crashtests und Fahrzeugaerodynamik) und sagt vorher, wie sich neue Designvarianten verhalten werden, ohne dass jeder Prototyp gebaut werden muss. Die Referenzliste auf der Startseite (BMW, Mercedes, Nissan, BAE Systems, Honda, Siemens, Vertical Aerospace) ist branchenintern bemerkenswert. Schwach bleibt die Plattform bei Transparenz und Einstiegshürde: Preise sind nicht öffentlich, die archivierten Seiten des Anbieters sind englisch, und die Übernahme durch CoreWeave (US-amerikanischer KI-Cloud-Anbieter, angekündigt am 6. Oktober 2025) wirft neue DSGVO-Fragen auf, die Käufer 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, Batteriezyklen, Crashtests oder Fahrzeugaerodynamik 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. Der Anbieter wirbt damit, Modelle ohne aufwendiges Programmieren und ohne Data-Science-Promotion trainieren zu können.

Mittlere bis große Unternehmen mit Test-Datenarchiv: Monolith entfaltet seinen Nutzen erst, wenn historische Testdaten in nennenswertem Umfang vorliegen, am besten 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 und CamMotive arbeiten laut Pressemitteilungen von Monolith mit der Plattform an Batterietests. Webasto nutzt sie für die Validierung von Batteriemodulen und -packs. Wer viele Sensorkanäle über lange Zyklustests beobachten muss, ist hier an der richtigen Adresse.

Weitere Branchen: Aptar, Kautex-Textron (Webinar zu Kraftstoffschwappen) und Nanopharm (Case Study zur Pharmaentwicklung) 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 (zum Beispiel medizinische Geräte), 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-Anfrage	Nicht öffentlich	Der Zugang beginnt über „Request a demo“ und ein Gespräch mit dem Team. Ob und wie ein Pilot aufgebaut ist, nennt der Anbieter auf den archivierten Seiten nicht.
Plattform und Module	Nicht öffentlich	Core Platform sowie die Module Test Data Validation, Test Plan Optimisation und System Calibration. Die Startseite beschreibt das Angebot als „Enterprise SaaS“.
Services	Nicht öffentlich	Consulting and Implementation, Advanced Research und AI Training werden auf der Startseite als eigene Services geführt.

Einordnung: Monolith veröffentlicht keine Preise und keinen Self-Service-Tarif, die Startseite beschreibt die Plattform als „Enterprise SaaS“ und führt Beratung, Implementierung und Schulung als eigene Services. Das ist für Engineering-Software üblich, für kleinere Hersteller aber eine Eintrittsschwelle, weil sich ohne Gespräch kein Budget planen lässt. Wer ernsthaft mit Monolith arbeiten will, sollte sich auf eine Implementierungsphase mit Beratungsanteil und auf interne Arbeit für die Datenaufbereitung einstellen. Eine Preisseite ist nicht archivierbar: /pricing liefert beim Anbieter einen 404. Einen Betrag zu den Kosten nennt nur die Fair-Usage-Policy (Stand 24. August 2024): Sie regelt den Verbrauch von API-Aufrufen, Datenspeicher und Rechenleistung, und wenn deren Kosten „$4,000 in a calendar month“ übersteigen, darf Monolith den Überschuss in Rechnung stellen, sofern der Vertrag nichts anderes regelt. Alle Beträge verstehen sich ohne Umsatzsteuer.

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 („Anomaly Detector“) findet laut Anbieter „more than 90% of known errors“, validiert an Beispieldaten, über hunderte Testdatenkanäle hinweg. In großen Testkampagnen sind unerkannte Sensorfehler eine große versteckte Kostenquelle: Wer einen Test fährt und erst hinterher merkt, dass ein Kanal driftete, wiederholt den Test. In einer Case Study beschreibt Monolith, dass Webasto die Fehlerisolation bei Batterien „from weeks to hours“ verkürzt hat.

Test Plan Optimisation reduziert Prototypenkosten. Das Modul schlägt vor, welche Versuchsläufe wirklich neue Information liefern und welche sich sparen lassen, der Anbieter nennt „up to 70%“ weniger Tests. Die Case Study „Nissan: Reducing Physical Test by 17%“ beziffert die Einsparung bei Nissan auf 17 %, die Case Study von Jota Sport, in der selbstlernende Modelle die Aerodynamik der Fahrzeuge vorhersagen, auf 50 % weniger Simulationen und Tests und die halbierte Zeit bis zum Fahrzeug-Setup. Für Branchen, in denen physische Tests teuer sind, ist das der Hebel, auf den die Plattform zielt.

Industriereferenzen. Auf der Startseite stehen BMW, BAE Systems, Mercedes, Honda, Nissan, Siemens, Kautex-Textron, Michelin, Vertical Aerospace, Aptar und Jota. Die CoreWeave-Pressemitteilung nennt „Nissan, BMW, and Honeywell“, eine Case Study beschreibt die Zusammenarbeit mit Rolls-Royce an Turbomaschinen-Schaufeln. Laut Pressemitteilung vom 20. Juni 2022 begann das Crashtest-Team der BMW Group 2019, mit Monolith die Kraft auf das Schienbein der Insassen bei einem Crash vorherzusagen; für diese Arbeit meldet Monolith 2022 den Preis „Crash Test Innovation of the Year“ der Automotive Testing Technology International Awards. Die Liste geht auf Angaben des Anbieters zurück, Umfang und Tiefe der einzelnen Projekte belegt sie nicht.

Schwächen ehrlich betrachtet

Pricing-Intransparenz. Auf den archivierten Seiten gibt es keine öffentliche Preisliste und keinen Self-Service-Tarif. Wer wissen will, was Monolith kostet, muss ein Gespräch mit dem Vertrieb führen. Das ist für Engineering-Software üblich, wirkt aber neben transparenten KI-Preisen anderer Anbieter altmodisch.

Support-Sprache nicht erkennbar. Die archivierten Seiten des Anbieters (Startseite, Produktseiten, About, Datenschutz) sind englisch. Eine Aussage, in welcher Sprache Support, Customer Success oder Schulungen laufen, finde ich dort nicht. Für mittelständische Hersteller mit gemischten Sprachprofilen lohnt die Frage im Erstgespräch.

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? Am 6. Oktober 2025 kündigte CoreWeave (Nasdaq: CRWV), ein US-amerikanischer KI-Cloud-Anbieter, die Übernahme von Monolith AI Limited an, die Startseite schreibt heute „Monolith is now part of CoreWeave“. Für Bestandskunden wirft das Fragen auf: Bleibt das Produkt eigenständig oder wird es in CoreWeave-Angebote integriert? Wie ändert sich die Datenverarbeitung, wenn die Datenschutzerklärung von monolithai.com bereits auf CoreWeave-Dokumente weiterleitet? Diese Unsicherheit sollte in Vertragsverhandlungen explizit adressiert werden.

Onboarding-Aufwand. Bevor die Modelle brauchbare Vorhersagen liefern, müssen Daten aus internen Systemen exportiert, zugeordnet und validiert werden. Die Dauer nennt der Anbieter auf den archivierten Seiten nicht. Wer schnelle Ergebnisse erwartet, wird leicht enttäuscht. Das ist kein Mangel des Tools, aber eine Erwartung, die man im Gespräch klären sollte.

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 oder Batterietests in industriellem Maßstab analysiert, findet hier eine Plattform, die auf genau diesen Use Case zielt. 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 die Datenaufbereitung vorab ein, sonst wird der Pilot enttäuschen.

Schritt 2: Demo + Pilot anfragen. Auf monolithai.com eine Demo anfordern. Rechne mit einem Sales-Gespräch, in dem eure Datenquellen und der Use Case besprochen werden. 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 einen Engineering-Ansprechpartner 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. Monolith gehört zu CoreWeave. Kläre vor Vertragsunterschrift schriftlich: 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? Die archivierten Seiten von Monolith nennen dazu keine Antworten.

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. Was bleibt: Die Modellvorhersagen werden konsequent durch physische Stichproben validiert. Monolith ersetzt keine Tests, sondern macht klar, welche Tests den größten Erkenntnisgewinn bringen.

Das Beispiel ist ein Szenario zur Veranschaulichung, keine Kundenangabe von Monolith.

DSGVO & Datenschutz

• Datenhosting: Den Hosting-Ort der Monolith-Plattform nennen die archivierten Seiten (Startseite, Produktseiten, Informationssicherheits-Richtlinie, Fair-Usage-Policy) nicht; die Startseite spricht von einer „scalable cloud platform“, die Produktseite der Core Platform von „multiple configurations and install options“, ohne diese zu benennen. Die Datenschutzerklärung von monolithai.com leitet auf die Privacy Policy von CoreWeave um. Diese hält fest: „CoreWeave operates globally and may transfer personal data to countries that may not provide the same level of data protection as your country of residence. Where required, we use appropriate safeguards, such as Standard Contractual Clauses.“ Eine dedizierte EU-Verarbeitungsregion für Monolith nennt sie nicht.
• Unternehmenssitz: Die Pressemitteilungen von Monolith tragen den Ort London, UK, die Fair-Usage-Policy nennt „Monolith AI Ltd“ und englisches Recht, die CoreWeave-Mitteilung „Monolith AI Limited“. CoreWeave, Inc. meldet sich aus Livingston, New Jersey, USA.
• Datennutzung: Zur Nutzung von Kundendaten für das Training generischer Modelle nennen die archivierten Monolith-Seiten nichts. Die CoreWeave-Datenschutzerklärung hält fest, dass Kunden Verantwortliche für ihre Customer Data sind. Lass dir Eigentum an den Testdaten und ein Trainingsverbot vertraglich zusichern, besonders nach einer Übernahme.
• Auftragsverarbeitung (AVV): Monolith nennt auf den archivierten Seiten keine eigene AVV. CoreWeave veröffentlicht ein Data Processing Addendum zu GDPR und EU-Standardvertragsklauseln für seine CoreWeave Services; ob es für Monolith-Kunden gilt, geht aus den archivierten Seiten nicht hervor.
• Sicherheitszertifizierungen: Die Produktseite der Core Platform nennt „industry-standard security measures, data encryption, ISO 27001, and access control“. Die Informationssicherheits-Richtlinie (Stand September 2024) beschreibt ein Information Security Management System (ISMS). Ein Zertifikat oder ein Geltungsbereich ist auf den archivierten Seiten nicht abgelegt.
• Empfehlung für Unternehmen: Für DSGVO-sensible Branchen (Automotive mit Personenbezug in Felddaten, Medizintechnik) eine Datenschutz-Folgenabschätzung durchführen und die neue CoreWeave-Konstellation explizit prüfen. Bei Testdaten ohne Personenbezug (rein technische Sensorik) ist die Lage 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, Modellqualität), aber das Schreiben von Reviews, Risikoeinschätzungen und Management-Reports übernimmt ein generisches LLM effizienter. Klassischer Workflow: Analyse in Monolith, Verschriftlichung in Claude.

Unser Fazit

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 und Battery, ist es ein ernstzunehmendes Werkzeug. Die Notebook-Oberfläche und die Industriereferenzliste heben Monolith von generischen ML-Plattformen ab. Den vierten Stern kostet das Tool die fehlende Preistransparenz und die hohe Eintrittsschwelle (Vertriebsgespräch, Datenaufbereitung, Implementierung). Den fünften Stern kostet die offene Frage nach der CoreWeave-Übernahme: Wie sich Hosting, Produktstrategie und EU-Compliance unter dem neuen Eigentümer entwickeln, zeigen die archivierten Seiten nicht. Neuinteressenten sollten Vertragsklauseln und Hosting-Zusagen genau prüfen.

Was wir bemerkt haben

• Oktober 2025, CoreWeave kündigte am 6. Oktober die Übernahme von Monolith AI Limited an, die Startseite meldet inzwischen „Monolith is now part of CoreWeave“. Die Datenschutzerklärung von monolithai.com leitet auf die CoreWeave-Privacy-Policy um. Für Bestandskunden eine Zäsur: Eine Aussage zur Verarbeitungsregion nennen die archivierten Seiten nicht.
• Mai 2025, Monolith wurde KI-Entwicklungspartner von PREMA Racing für die NTT INDYCAR SERIES, Cadillac Hertz Team JOTA integriert Monolith für Performance-Tests. Beide Meldungen stammen aus Pressemitteilungen von Monolith vom 14. und 20. Mai 2025.
• 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.
• Juli 2024, Webasto wählte Monolith als KI-Partner für die Validierung von Batterien. Die Pressemitteilung trägt das Datum 24. Juli 2024, die Übersicht der Pressemitteilungen nennt den 23. Juli. Eine Case Study von Monolith beschreibt, dass die Fehlerisolation bei Batterien dadurch „from weeks to hours“ verkürzt wurde.
• Seit 2016, laut About-Seite gründete Dr. Richard Ahlfeld Monolith 2016, hervorgegangen aus seiner Promotion am Imperial College London und der NASA. Im Januar 2018 trat das Team dem FoundersFactory-Accelerator bei.