ProcessMiner

Kurzfazit

ProcessMiner war eine der spezialisiertesten KI-Plattformen für die Prozessindustrie — mit echter Tiefenexpertise in der Zellstoff- und Papierherstellung, die generische ML-Plattformen nicht bieten. Die autonome Prozesssteuerung und die vortrainierten Branchenmodelle waren klare Differenzierungsmerkmale, die nachweislich Millionenbeträge an Produktionskosten einsparten. Allerdings ist das Unternehmen inzwischen von DataRobot übernommen worden — processminer.com leitet direkt auf datarobot.com um, und die eigenständige Produktlinie steht auf unsicherem Terrain. Wer heute konkret nach ProcessMiner sucht, muss sich an DataRobot wenden und klären, wie das Produkt weitergeführt wird.

Für wen ist ProcessMiner?

Papierfabriken und Zellstoffwerke: Der klare Kernmarkt. Werke mit Tissue-, Zeitungsdruck- oder Verpackungsmaschinen profitieren von vortrainierten Modellen für Nassentwässerung, Chemiedosierung und Trocknungsabschnitte — ohne diese Modelle selbst entwickeln zu müssen.

Chemische Prozessindustrie: Hersteller von Basischemikalien, Kunststoffen und Spezialchemikalien mit hohem Regelungsbedarf bei kontinuierlichen Produktionsprozessen können von der autonomen Closed-Loop-Steuerung profitieren.

Abwasser- und Kläranlagenbetreiber: Kommunale und industrielle Betreiber, die Dosierung von Fällungsmitteln und Flockungshilfsmitteln automatisieren wollen, waren ein weiteres Segment.

OT/IT-Projektteams in Großbetrieben: Technische Leiter, die eine bewährte ML-Lösung über bestehende SCADA/DCS-Systeme legen wollen, ohne eigene Datenwissenschaftler einzustellen.

Solenis-Chemikalien-Kunden: Unternehmen, die Solenis-Produkte einsetzen, konnten über das Solenis-OPTIX-Programm eine native Integration von ProcessMiner-Technologie und Chemikaliendosierung nutzen — eine seltene Kombination aus Software und Prozess-Know-how.

Weniger geeignet für: KMU-Produktionsbetriebe ohne IT-/OT-Infrastruktur, Unternehmen mit kurzer Entscheidungszeit, alle die ein klar dokumentiertes SaaS-Modell mit öffentlichen Preisen erwarten, sowie deutsche Unternehmen mit strikten DSGVO-Auflagen.

Preise im Detail

Plan	Preis	Was du bekommst
Pilot	Auf Anfrage	Einzelne Produktionslinie, 4-wöchige Kalibrierungsphase, OPC-UA/Historian-Integration, Empfehlungsmodus
Vollausbau	Auf Anfrage	Mehrere Linien, autonomer Modus, vollständige SCADA-Integration, Support-SLA
Enterprise	Auf Anfrage	Werksweiter Rollout, dediziertes Customer Success Team, erweiterte Modell-Customization

Einordnung: ProcessMiner veröffentlichte keine Listenpreise. Marktbeobachtungen und Kundenberichte deuteten auf Jahresbeträge im mittleren bis hohen sechsstelligen USD-Bereich pro Werk hin — zuzüglich einmaliger Implementierungskosten. Das positioniert die Plattform klar im Enterprise-Segment und macht sie für Betriebe unterhalb der Großindustrieschwelle wirtschaftlich kaum attraktiv. Da das Unternehmen nun Teil von DataRobot ist, müssen Interessenten die Konditionen direkt mit DataRobot verhandeln.

Stärken im Detail

Branchenspezifische Vormodelle sparen Monate an Entwicklungszeit. Der wichtigste Vorteil gegenüber generischen ML-Plattformen: ProcessMiner lieferte keine leere Plattform, sondern Modelle, die bereits auf Hunderte von Betriebsstunden in realen Papierfabriken trainiert waren. Parameter wie Faserverkürzung, Retention Aid-Dosierung oder Dampfdruckkurven mussten nicht von Grund auf gelernt werden — das senkte die Time-to-Value erheblich.

Autonomer Closed-Loop-Betrieb ist der technologische Kern. Die meisten Industrie-KI-Lösungen stoppen bei Empfehlungen — ein Operator muss immer noch eingreifen. ProcessMiner bot echten autonomen Betrieb: Das System konnte Stellgrößen direkt in das Leitsystem schreiben, ohne menschliche Bestätigung. Das ist in der Fertigungstechnik eine andere Kategorie als assistierte Systeme und der entscheidende Hebel für die gemeldeten Einsparungen.

Nachweisbare ROI-Zahlen aus echten Kundeneinsätzen. Die kommunizierten Einsparungen von durchschnittlich 500.000 USD pro Produktionslinie jährlich stammten aus dokumentierten Fallstudien — nicht aus Marketinghochrechungen. Kostentreiber sind typischerweise Chemikalieneinsatz, Rohstoffverluste durch Off-spec-Produktion, und Energieverbrauch in der Trocknungspartie — alles Bereiche, in denen prozentuale Einsparungen schnell sechsstellige Beträge ergeben.

Kurze Integrationszeit für eine industrielle ML-Plattform. Vier Wochen von der Anbindung bis zur ersten Modellversion ist für industrielle Software bemerkenswert schnell. Die OPC-UA-Standardunterstützung ermöglichte die Anbindung an nahezu jedes moderne Leitsystem ohne proprietäre Middleware.

Schwächen ehrlich betrachtet

Unternehmenskontinuität ist die größte offene Frage. processminer.com leitet inzwischen auf datarobot.com um — ein klares Signal, dass das Unternehmen absorbiert wurde. Ob ProcessMiner als eigenständige Produktlinie weitergeführt, in DataRobots Manufacturing-Portfolio integriert oder eingestellt wird, ist öffentlich nicht kommuniziert. Für Bestandskunden und Interessenten bedeutet das erhebliche Planungsunsicherheit.

Kein KMU-Einstieg, keine Testmöglichkeit. ProcessMiner hatte keine Free-Trial-Version, keinen Self-Service-Zugang und keine öffentliche Preisliste. Wer das System testen wollte, musste einen Vertriebsprozess mit Bedarfsanalyse, Pilotplanung und Investitionsentscheidung durchlaufen — Minimum mehrere Monate. Das schließt mittelständische Betriebe faktisch aus.

Starke US-Zentrierung mit fehlender DSGVO-Absicherung. Alle Prozessdaten wurden in US-Rechenzentren verarbeitet. Für deutsche Produktionsbetriebe — insbesondere solche mit sensiblen Rezepturen oder Kundendaten in Prozesslogs — war das ohne AVV und EU-Datenhosting eine ernsthafte Compliance-Hürde.

Kein deutschsprachiger Support. Vertriebs- und Supportdokumentation war ausschließlich auf Englisch verfügbar. Für technische OT-Teams in deutschen Werken, die keine englischsprachige Kommunikation gewohnt sind, war das ein praktisches Hindernis.

Tiefes Onboarding frisst Ressourcen. Die vierwöchige Kalibrierungsphase war erst der Anfang. Autonomer Betrieb wurde erst nach mindestens sechs Monaten Pilotdaten empfohlen. Das bedeutet: Fast ein Jahr zwischen Entscheidung und vollem Produktivbetrieb — in der Industrie normal, aber planungsintensiv.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Eine branchenunabhängige ML-Plattform für eigene Modelle suchst	Azure ML oder AWS SageMaker
IBM-Infrastruktur nutzt und KI-Prozessoptimierung brauchst	IBM Watson
Eine DataRobot-basierte Lösung für Manufacturing suchst	DataRobot
SAP-Systeme im Einsatz hast und Prozessoptimierung integrieren willst	SAP

ProcessMiner war ein Nischenprodukt mit echter Tiefe — kein generisches ML-Werkzeug. Für Papierfabriken war der Mehrwert gegenüber allgemeinen Plattformen erheblich, weil die Branchenmodelle mitgeliefert wurden. Wer ProcessMiner heute sucht, sollte DataRobot direkt kontaktieren und klären, wie die Manufacturing-Kompetenz fortgeführt wird.

So steigst du ein

Schritt 1: Kontaktiere DataRobot über datarobot.com/contact — erkläre explizit, dass du an der ehemaligen ProcessMiner-Technologie für die Prozessindustrie interessiert bist. Bereite Unterlagen vor: Produktionslinien-Übersicht, vorhanden Leitsysteme (SCADA/DCS), häufigste Qualitätsprobleme, und Jahresmenge verarbeiteter Rohmaterialien.

Schritt 2: Wenn DataRobot eine Manufacturing-Lösung auf Basis der ProcessMiner-Technologie anbietet, starte mit einer Pilotphase an einer Produktionslinie. Die initiale Modellanpassung dauert typischerweise 4 Wochen. Wichtig: Stelle sicher, dass OPC-UA-Zugang zu deinem Historian-System vorhanden und DSGVO-rechtliche Datentransfervereinbarungen (SCCs) vor Projektstart abgeschlossen sind.

Schritt 3: Nach der Pilotphase entscheide zwischen assistiertem Modus (Empfehlungen an Operatoren) und autonomem Modus (direkte Eingriffe ins Leitsystem). Autonomer Betrieb empfiehlt sich erst nach mindestens sechs Monaten validierten Pilotdaten — und erfordert eine interne Freigabe durch Produktions- und Sicherheitsmanagement.

Ein konkretes Beispiel

Ein Tissue-Werk in Norddeutschland mit zwei Maschinen und 80.000 Tonnen Jahreskapazität setzt ProcessMiner für die autonome Nasspartiensteuerung ein. Das System analysiert in Echtzeit 340 Prozessparameter und passt Retentionsmittel, Entwässerungshilfsmittel und Siebtischentwässerung automatisch an die eingehende Altpapierfaserstoff-Charge an. Die Varianz in der Faserqualität bei Altpapier war bisher der wichtigste Grund für Off-spec-Produktion und erhöhten Chemikalieneinsatz. Im ersten Jahr nach Einführung sank der Chemikalieneinsatz um 18 Prozent, die Off-spec-Rate halbierte sich — Gesamteinsparung circa 480.000 USD. Das OT-Team benötigte keine Datenwissenschaftler: Drei Automatisierungstechniker betreuten das System im Betrieb.

DSGVO & Datenschutz

• Datenhosting: USA — alle Prozessdaten wurden auf US-amerikanischen Servern verarbeitet; keine EU-Region verfügbar
• Datentypen: Echtzeit-Produktionsdaten (Temperatur, Druck, Durchfluss, Chemikaliendosierung), keine personenbezogenen Daten im Kern — dennoch können Produktionsrezepturen als schützenswerte Geschäftsgeheimnisse gelten
• AVV / Auftragsverarbeitung: Kein Standard-AVV für KMU; Enterprise-Verträge enthielten individuelle Datenschutzvereinbarungen und SCCs (Standard Contractual Clauses) für EU-US-Datentransfer
• Zugriffskontrolle: Rollenbasiert, Audit-Logs für autonome Eingriffe vorhanden
• Empfehlung für deutsche Unternehmen: Vor Vertragsabschluss Datenschutz-Folgenabschätzung (DSFA) durchführen, SCCs verhandeln, und internen Datenschutzbeauftragten einbinden — besonders wenn Prozessrezepturen oder Kundenspezifikationen Teil der Datenbasis sind

Gut kombiniert mit

• IBM Watson — Watson kann übergeordnete Asset-Management- und Wartungsoptimierung übernehmen, während ProcessMiner-Technologie den Echtzeitprozess regelt; sinnvoll wenn IBM-Infrastruktur bereits im Werk vorhanden ist
• SAP — SAP S/4HANA als ERP-Rückgrat liefert Auftragsdaten, Produktionspläne und Qualitätsspezifikationen, die als Rahmenbedingungen in die Prozessoptimierung einfließen
• DataRobot — Seit der Übernahme ist DataRobot der natürliche Ausgangspunkt, um die ProcessMiner-Technologie in eine breitere AutoML- und MLOps-Strategie zu integrieren

Unser Testurteil

ProcessMiner verdient 3 von 5 Sternen — nicht weil das Produkt technisch schwach war, sondern wegen der erheblichen Planungsunsicherheit durch die DataRobot-Übernahme und der strukturellen Zugangsbarrieren. Die Branchentiefe in der Papier- und Zellstoffindustrie war echt und durch Kundenberichte belegt, der autonome Betrieb war ein echter Technologievorteil. Aber: Kein öffentlicher Preis, kein deutschsprachiger Support, kein EU-Hosting, und eine ungeklärte Produktzukunft machen es unmöglich, mehr Sterne zu vergeben. Wer heute konkret investieren will, sollte zunächst bei DataRobot nachfragen, wie die Technologie weitergeführt wird — und dann neu bewerten.

Was wir bemerkt haben

• 2025/2026 — processminer.com leitet inzwischen auf datarobot.com um. Das ist der stärkste verfügbare Hinweis auf eine abgeschlossene Übernahme durch DataRobot. Eine offizielle Pressemitteilung zu diesem Schritt war zum Zeitpunkt unserer Recherche nicht auffindbar — DataRobot hat die Akquisition öffentlich nicht bekanntgemacht.
• Partnerschaft mit Solenis (OPTIX) — Solenis, ein führender Anbieter von Prozesschemikalien für Papiermaschinen, nutzte ProcessMiner-Technologie unter dem Markennamen “OPTIX” für integrierte Chemikaliendosierung und Prozessoptimierung. Diese Kombination aus Chemie-Know-how und ML-Modellen war ein seltenes Alleinstellungsmerkmal im Markt.
• Gründung 2019 — ProcessMiner wurde 2019 gegründet und wuchs innerhalb weniger Jahre auf eine nennenswerte Kundenbasis in der Prozessindustrie — ein vergleichsweise schneller Aufstieg in einem konservativen Industrieumfeld.