Tvarit Industrial AI

Kurzfazit

Tvarit ist eine Industrie-KI-Plattform mit Sitz in Frankfurt und echter Branchentiefe, kein generischer ML-Werkzeugkasten, sondern eine Lösung für Metall und Prozessindustrie. Das Frankfurter Unternehmen (gegründet 2019, die Über-uns-Seite nennt 70+ und an anderer Stelle 50+ Experts, drei R&D-Standorte an IIT Bombay, TU Darmstadt und Stanford) verbindet Domänen-Gleichungen mit Machine Learning und nennt als Obergrenzen: bis zu 60 % weniger Defekte, bis zu 30 % weniger Energie, bis zu 20 % höhere Maschinen-Verfügbarkeit. Für deutsche und europäische Mittelständler in Gießerei, Metall und Prozessindustrie ist Tvarit ein naheliegender Kandidat für die Shortlist, vorausgesetzt, du akzeptierst Vertriebsgespräch statt Self-Service und investierst in den Daten-Unterbau.

Für wen ist Tvarit Industrial AI?

Gießereien und Metallverarbeiter: Das Kerngeschäft. Wer Schmelzöfen, Druckguss (besonders Low Pressure Die Casting) oder Aluminium-Coils betreibt, findet bei Tvarit ein Produkt, das diese Anlagen aus der Praxis kennt. Die Module Prescriptive Quality und Prescriptive Energy zielen direkt auf die zwei größten Stellschrauben: Ausschuss und Stromrechnung. Maxion Wheels steht mit Stimmen aus mehreren Werken auf der Startseite exemplarisch für diese Zielgruppe. In Pressemitteilungen von 2022 und 2023 nennt Tvarit außerdem die Eisengießerei Procast Guss in Gütersloh sowie KAMAX, KSM, Gienanth, Endurance und Schunk als Kunden.

Aluminium- und Stahlwerke mit hohem Energiebudget: Wer im Jahr sechsstellige Stromkosten pro Anlage trägt, hat den klarsten Business Case. Bis zu 30 % weniger Energieverbrauch (Anbieterangabe) sind hier ein direktes ROI-Argument, und die Kombination aus Energie- und Qualitätsoptimierung geht über reines Energie-Monitoring hinaus.

Prozessindustrie (Chemie, Molkerei, Kakao): Auch außerhalb der Metallwelt ist Tvarit aktiv, etwa bei kontinuierlichen Prozessen, bei denen Temperatur-, Durchfluss- und Druckmuster mit Qualität korrelieren. Auf der Startseite äußert sich Amul (Käsewerk in Kaira) zu Tvarit, von SRF LTD. steht dort nur der Name eines Vertreters ohne eigenes Zitat; der Anbieter listet Molkerei, Kakao und Chemie als Prozessindustrien. Die Über-uns-Seite beschreibt das Produkt aber als Lösung für Gießereien und metallverarbeitende Industrie.

DACH-Mittelstand mit DSGVO-Anspruch: Tvarit hat Sitz in Frankfurt. Als Cloud nennt der Anbieter AWS, eine Hosting-Region nennt er auf den archivierten Seiten nicht; das klärst du vor dem Vertrag. Der Anbieter ist ein Kandidat neben dem Selbstbau auf AWS SageMaker oder Databricks.

Werks- und Produktionsleiter mit klarem Auftrag: Tvarit ist keine „Wir probieren mal KI aus”-Plattform, sondern auf konkrete KPIs ausgelegt, Ausschussquote, kWh pro Tonne, OEE. Wer einen Vorstand hat, der nach Monaten Ergebnisse sehen will, profitiert vom strukturierten Fahrplan (Workshop → Pilot → ROI in sechs Monaten).

Weniger geeignet für: Betriebe außerhalb von Metall- und Prozessindustrie (der Anbieter nennt Metall als Kernfokus, listet dort aber auch Machining und Milling), Unternehmen ohne Grundsensorik und ohne Bereitschaft nachzurüsten sowie Teams, die eine generische ML-Plattform zum Selbstbau bevorzugen, dafür sind Databricks oder AWS SageMaker die richtigeren Werkzeuge.

Preise im Detail

Schritt	Preis	Was der Anbieter dazu beschreibt
AI Readiness Workshop	nennt der Anbieter nicht	Tag-1-Workshop mit Definition des Business Case und AI-Readiness-Assessment
Pilot (eine Maschine)	nennt der Anbieter nicht	Daten-Integration über MQTT-/OPC-Plugins, Training der vortrainierten Algorithmen auf deine Daten, TiA-Software-Setup mit Dashboards, Go-live, Übergabe-Workshop und Nutzerverwaltung
Rollout	nennt der Anbieter nicht	Folgemaschinen brauchen laut Anbieter nur ein Drittel der Zeit und Datenmenge der ersten; Rollout auf mehr als 50 Maschinen und mehr als 3 Use Cases

Einordnung: Tvarit veröffentlicht keine Softwarepreise: Auf Startseite, How-it-works-, Produkt-, Metall- und Kontaktseite, in der Datenschutzerklärung und im Impressum steht keine Preisangabe (der Tab mit den AGB der Tvarit GmbH ließ sich nicht lesen). Richtwerte nennen wir deshalb nicht. Lesbar sind nur die AGB der verbundenen indischen Gesellschaft Tvarit Solutions Private Limited (Version 1/2024), die für deren Kunden gelten: Dort steht eine monatliche Abogebühr, jährlich im Voraus berechnet, ohne Betrag für die Software; GPU-Server und Modelländerungen nach dem Deployment kosten extra. Ob das bei der GmbH genauso ist, nennt der Anbieter nicht. Für die erste Maschine nennt der Anbieter eine Garantie: „we guarantee savings/ROI within 6 months”; die Bedingungen dazu nennt er nicht. Realitätscheck: Unter „AI Readiness Levels” listet der Anbieter die Bereiche, bei denen er dich unterstützt: Sensorik, PLC/DCS-Anbindung, Traceability, Edge Gateways und Cloud-Infrastruktur. Ob das im Preis enthalten ist, nennt er nicht. Sprich diese Posten im Workshop ausdrücklich an, denn sie gehören in jede Wirtschaftlichkeitsrechnung.

Stärken im Detail

Industriespezifisch statt generisch. Der Unterschied zu allgemeinen ML-Plattformen ist laut Anbieter die Hybrid-AI: Tvarit verbindet Domänen-Gleichungen mit KI-Modellen und bezieht neben Prozessparametern aus PLC/DCS auch Engineering-Daten, Eingangsmaterial, Wartung und Werkzeugdaten ein. Für Branchen, in denen reine Korrelationsmodelle schnell an Grenzen stoßen, ist das ein plausibler Ansatz.

Vier klar benannte Module. Die Produktseite führt Quality, Energy, Maintenance und Production Planning auf. Genannte Obergrenzen: bis zu 60 % weniger Defekte (Prescriptive Quality), bis zu 30 % weniger Energie (Prescriptive Energy), bis zu 20 % höhere Verfügbarkeit (Maintenance). Der Einstieg läuft laut Anbieter über eine Maschine („Start with AI on 1 Machine”), das senkt die Einstiegshürde. Ein Fachartikel des Anbieters nennt die Module „four independent modules”; ob sie sich getrennt buchen lassen, nennt er nicht.

Transfer Learning für skalierbaren Rollout. Ein klassisches Problem: Du baust ein KI-Modell für Ofen A und stellst fest, dass Ofen B trotz gleichen Typs minimal anders läuft. Tvarit adressiert das nach eigener Beschreibung mit Transfer Learning: Bei Folgemaschinen sei nur ein Drittel der Zeit und Datenmenge nötig, die die erste Maschine brauchte. Im Rollout auf viele Anlagen ist das ein zentraler Wirtschaftlichkeitsfaktor, sofern sich die Angabe bei deinen Anlagen bestätigt.

Prescriptive statt nur deskriptiv. Viele Industrie-Analytics-Lösungen zeigen nur an, dass eine Anomalie vorliegt. Laut Produktseite liefert Tvarit Qualitätsprognosen, Error-Root-Cause-Analysis und Empfehlungen für Maßnahmen, die dein Betriebsteam umsetzen soll. Für die Schichtführung ist das der Unterschied zwischen einem weiteren Dashboard und einem produktiven Werkzeug. Manfred Hilger von Mitsubishi Electric B.V. (die Über-uns-Seite führt Mitsubishi Electric unter den Partnern) schreibt auf der Startseite, die Ergebnisse der erklärbaren KI und die Maßnahmenempfehlungen seien für Anlagenteams leicht verständlich. Die AGB der indischen Gesellschaft halten dagegen fest, die Ursachenanalyse sei nur indikativ: „The root cause analysis shall be indicative as per statistics”.

Deutscher Sitz. Die Tvarit GmbH sitzt in Frankfurt am Main (Handelsregister Frankfurt am Main HRB 114845). Produktionsdaten sind oft strategisch sensibel (Rezepturen, Qualitäts-KPIs, Kapazitätsdaten). Zum Hosting schreibt Tvarit „Leveraging Amazon AWS for hosting”; die Region und eine AVV der GmbH nennt der Anbieter auf den archivierten Seiten nicht. Die Kontaktseite führt neben der GmbH die TVARIT Solutions Pvt. Ltd in Pune und Vadodara; ob von dort auf Kundendaten zugegriffen wird, nennt er nicht. Das gehört vor den Vertrag und in jede Diskussion mit Werksrat und Compliance.

Klarer 6-Monats-Fahrplan. Tag 1 Workshop und Readiness Assessment, Woche 4 Pilot-Deployment auf einer einzelnen Maschine, Monat 6 ROI-Bewertung und Rollout-Entscheidung. Für CFOs und Werksleitungen ist die Vorhersagbarkeit wichtiger als der letzte Prozentpunkt Modellgenauigkeit.

Forschungsanbindung. Die Über-uns-Seite nennt drei R&D-Standorte (IIT Bombay, TU Darmstadt, Stanford University) und 4 Patente. Wie eng die Zusammenarbeit ist, nennt der Anbieter nicht; sieh es als Hinweis auf Technologietiefe, nicht als Qualitätsbeweis.

Schwächen ehrlich betrachtet

Keine Self-Service-Preise. Wer schnell eine Vorab-Abschätzung machen will, ob die Plattform überhaupt ins Budget passt, kommt nicht weiter, ohne mit dem Vertrieb zu sprechen. Für Einzelevaluierung im KMU-Mittelbau bleibt das eine echte Hürde.

Sensorik-Vorinvestition wird gerne unterschätzt. Tvarit lebt von kontinuierlichen Prozessdaten. Wenn deine Anlagen nur grobe SPS-Daten liefern und keine Temperatur-, Druck- oder Stromaufnahme-Sensorik in hoher Frequenz vorliegt, musst du zuerst nachrüsten. Das gehört zu jedem ehrlichen ROI-Modell dazu. Der Anbieter bietet dafür ein Assessment von Sensorik, PLC/DCS und Traceability an, aber Werksleitungen, die nur die SaaS-Kosten im Blick haben, erleben hier Überraschungen.

Skalierung auf viele Anlagen erfordert Mehraufwand. Laut Anbieter lässt sich das Modell der ersten Maschine nicht einfach kopieren, weil Sensorzahl, Wartungsverhalten, Werkzeugtyp und Eingangsmaterial abweichen; Tvarit bietet dafür eine No-Code-Konfiguration und verspricht den Transfer in „minimal time and minimal cost”. Wer 20 Anlagen an mehreren Standorten ausrollen will, sollte nicht von Linearkosten ausgehen, die ersten Maschinen jedes neuen Typs kosten Zeit. Das ist nicht Tvarit-spezifisch, aber wer einen Großrollout plant, sollte die Modelloperationsaufwände realistisch einplanen.

Junges Unternehmen. 2019 gegründet (von Suhas Patel), die Über-uns-Seite nennt 70+ und an anderer Stelle 50+ Experts, unterstützt unter anderem von Matterwave Ventures, Futury Capital und Momenta sowie dem hessischen Distr@l-Förderprogramm: ein kleineres Unternehmen, kein Konzern. Wer als Großindustrie-Einkauf strenge Lieferanten-Stabilitätskriterien anlegt (10+ Jahre am Markt, Mindestumsatz, Krisenrücklagen), wird das bewerten müssen. Für Mittelständler, die mit kleineren Lieferanten ohnehin gewohnt sind zu arbeiten, ist das weniger ein Thema, aber es gehört in jede Lieferantenbewertung.

Eng auf Prozesse mit physikalischem Modellanteil zugeschnitten. Die Hybrid-AI funktioniert dort am besten, wo physikalische Gleichungen existieren, also Wärmeprozesse, Schmelzen, Druckguss, chemische Reaktionen. Bei rein datengetriebenen Anwendungen ohne Physik-Korridor (z. B. komplexe Montagelinien, Bestückungsautomaten) ist Tvarit weniger naheliegend als generische ML-Plattformen.

Integration in heterogene Altsysteme ist nie trivial. Laut Anbieter läuft die Datenanbindung über MQTT-/OPC-Plugins und die Anbindung von PLC/DCS. Wer ein gewachsenes Werk mit drei verschiedenen SCADA-Generationen und proprietären Leittechniken betreibt, sollte Integrationsaufwand realistisch budgetieren. Das ist keine Tvarit-Schwäche im engeren Sinn, sondern Industrie-Realität, verschwindet aber im Vorvertragsgespräch oft hinter glatten Architektur-Folien.

Marketing-Versprechen sind Maximalwerte. „Bis zu 60 % weniger Defekte” und „bis zu 30 % weniger Energie” sind Obergrenzen („up to”). Wie viele Projekte sie erreichen, nennt der Anbieter nicht. Konkreter sind seine Einzelangaben: 18 % weniger Energie je Bauteil in einer Fallstudie zum Niederdruckguss bei einem Automobilzulieferer aus Deutschland, mehr als 20 % je Aluminiumgussteil in einem Fachartikel, 50 % weniger Ausschuss und 18 % weniger Energie in der Series-A-Meldung. Wer mit dem Maximalwert kalkuliert, riskiert Enttäuschung; lass dir im Workshop den erwarteten Wert für deinen Anlagentyp nennen.

Support-Sprache nicht belegt. Die archivierten Seiten sind englisch, deutsch ist nur das Impressum. Deutschsprachigen Support nennt der Anbieter nicht; die AGB der indischen Gesellschaft legen fest: „The entire support process will be supported and operated in English only.” Was für Kunden der Tvarit GmbH gilt, ließ sich nicht lesen, frag vor dem Vertrag danach.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Ein breites Industrie-IoT mit Siemens-Ökosystem brauchst	Siemens Insights Hub
Eine generische ML-Plattform für eigene Industrie-Use-Cases willst	Databricks
Reine Predictive Maintenance auf AWS-Stack suchst	Amazon SageMaker
Eine schwergewichtige Enterprise-Industrie-AI-Plattform brauchst	C3.ai
Speziell einen Mehrgrößenregler (APC) für die Prozessindustrie willst	AspenTech DMC3

Erwähnenswert ohne eigene Empfehlung in dieser Tabelle: AWS SageMaker als zweite generische ML-Plattform für Eigenbau-Use-Cases, Palantir Foundry für sehr große Datenintegrations-Projekte mit hoher Komplexität, Seeq als Zeitreihen-Analyse-Spezialist für Prozessingenieure sowie spezialisierte Anbieter wie Braincube, Cognite oder Augury, die jeweils eigene Industrie-Schwerpunkte bedienen. Tvarits Position im Markt ist die einer fokussierten Alternative mit Sitz in Deutschland: tiefer als reine Cloud-AutoML-Plattformen, weniger generisch als die Hyperscaler-Werkzeuge, weniger schwergewichtig als Palantir oder C3.ai.

So steigst du ein

Schritt 1: AI Readiness Workshop vereinbaren. Statt zuerst eine Software-Demo zu buchen, sammelst du intern Basisinfos: Welche Anlagen kommen in Frage? Welche Sensorik ist heute vorhanden? Wie viele Betriebsstunden pro Anlage und Jahr? Wie hoch sind aktuelle Energiekosten und Ausschussraten? Mit diesen Daten startet der Workshop sehr viel produktiver.

Schritt 2: Sensorik-Assessment und Daten-Pilot. Tvarit prüft laut How-it-works-Seite die vorhandenen Sensoren und legt fest, welche für Maschine und Anwendungsfall dazukommen müssen. Für die erste Maschine beschreibt der Anbieter drei Schritte: Daten-Integration über MQTT-/OPC-Plugins, Training der vortrainierten Algorithmen auf deine Daten und TiA-Software-Setup. Wichtig: Diese Phase auch als Sanity Check für die eigene IT/OT-Konvergenz nutzen, wenn jetzt schon Datenqualitäts-Probleme sichtbar werden, ist es deutlich günstiger, sie hier zu lösen als im Produktivbetrieb.

Schritt 3: Pilot und Go-live. Zum Setup gehören laut Anbieter angepasste Dashboards, Go-live, ein Übergabe-Workshop und die Nutzerverwaltung. Plane für die Übergabe explizit Schulungs- und Change-Management-Zeit ein, die Technik ist hier nicht der Engpass, sondern die Akzeptanz an der Maschine.

Ein konkretes Beispiel

Eine mittelständische Aluminium-Druckgießerei in Baden-Württemberg (rund 220 Mitarbeitende, sechs Maschinen im Low-Pressure-Die-Casting) hat jährliche Stromkosten von ca. 1,8 Mio. € und eine Ausschussquote von knapp über 7 %. Nach Workshop und Sensorik-Assessment startet der Pilot auf einer einzelnen Maschine mit dem Prescriptive-Energy-Modul. Angenommen, nach drei Monaten zeigen sich rund 12 % geringerer Energieverbrauch pro Gussteil und ein um 25 % reduzierter thermischer Ausschuss an dieser Maschine. Hochgerechnet auf alle sechs Maschinen entspräche das bei 1,8 Mio. € Stromkosten rund 216.000 € pro Jahr, also einer Einsparung im sechsstelligen Bereich. Realitätscheck: Dagegen stehen Sensorik, Edge Gateways und die Lizenz; Beträge dafür nennt der Anbieter nicht, deshalb rechnen wir hier keine Amortisationszeit aus. Das Beispiel ist ein Szenario zur Veranschaulichung, keine Kundenangabe von Tvarit.

DSGVO & Datenschutz

• Datenhosting: Als Cloud nennt Tvarit AWS („Leveraging Amazon AWS for hosting”, „we love leveraging AWS services for all our products”). Die AGB der indischen Gesellschaft nennen als Service Centre „AWS or Microsoft Azure or any other Cloud Service Provider”. Eine Hosting-Region nennt der Anbieter auf den archivierten Seiten nicht. Beschrieben sind Edge Gateways, die Daten an eine „cloud infrastructure” übertragen, und die Ablage in Data Lakes. Region und Anbieter vor dem Vertrag schriftlich klären.
• Datennutzung: Der Anbieter passt „pre-trained predictive and prescriptive algorithms” an deine Daten an. In den AGB der indischen Gesellschaft bleiben die Rechte an den Kundendaten beim Kunden, Tvarit erhält aber eine weltweite, nicht ausschließliche Lizenz, sie im Rahmen der Leistungserbringung zu nutzen. Ob und wie Kundendaten für Modelle anderer Kunden genutzt werden, nennt er auf den archivierten Seiten nicht; lass dir das vertraglich zusichern.
• Personenbezogene Daten: Klassische Industrie-Sensordaten enthalten keine personenbezogenen Daten. Sobald aber Mitarbeitende-IDs (Schichtbuch, Bediener-Login, Bedienlogs) in die Modelle einfließen sollen, ist eine Datenschutz-Folgenabschätzung Pflicht. Mit Werksrat und Datenschutzbeauftragtem früh sprechen.
• Auftragsverarbeitung (AVV): Eine AVV veröffentlicht der Anbieter auf den archivierten Seiten nicht (die Datenschutzerklärung betrifft die Website); die AGB der indischen Gesellschaft sehen bei Bedarf eine Vereinbarung nach dem indischen Digital Personal Data Protection Act, 2023 vor. Vor Produktivbetrieb eine AVV abschließen; ob Standardvertragsklauseln nötig sind, hängt vom Hosting-Ort und von Zugriffen aus Indien ab.
• Empfehlung für Unternehmen: Wer Wert auf einen sauberen Audit-Pfad legt, dokumentiert Datenflüsse explizit, klärt Hosting-Ort und AVV vor dem Vertrag und holt Werksrat sowie Datenschutzbeauftragten früh ins Boot, insbesondere wenn personenbezogene Schicht- oder Bedienungsdaten verarbeitet werden sollen.

Gut kombiniert mit

• Microsoft Power BI, für Werks- und Standort-übergreifende Dashboards, wenn ein Standort ohnehin schon auf Microsoft-Stack steht. TiA bringt eigene Dashboards mit; eine fertige Power-BI-Anbindung nennt der Anbieter nicht.
• Siemens Insights Hub, wenn Siemens-MindSphere-Erbe und SCADA-Infrastruktur schon stehen und die Maschinendaten dort zusammenlaufen. Der Anbieter nennt Datenanbindung über MQTT-/OPC-Plugins, eine fertige Insights-Hub-Anbindung nennt er nicht; das klärst du im Workshop.
• AWS SageMaker, sinnvoll, wenn neben den Tvarit-Modulen weitere, sehr individuelle ML-Use-Cases (etwa Computer-Vision-Qualitätskontrolle auf Bauteilen) entstehen, die nicht in Tvarits Kernmodule fallen. Tvarit deckt das fokussierte Industrie-Optimierungs-Use-Case ab, SageMaker den langen Schwanz der individuellen Modelle.

Unser Fazit

Tvarit verdient solide 4 von 5 Sternen. Es ist kein universelles KI-Werkzeug und will das auch nicht sein, und genau das ist seine Stärke. Für deutsche und europäische Gießereien, Metallverarbeiter und Prozessindustrien, die mit greifbaren KPIs (Energie, Ausschuss, Verfügbarkeit) arbeiten wollen, ist Tvarit eine ernsthafte Option jenseits von Eigenbau auf Hyperscaler-Plattformen. Drei Punkte halten uns davon ab, den fünften Stern zu vergeben: Erstens die fehlende Preistransparenz, die kleinere KMU oft im Sondierungs-Stadium ausbremst. Zweitens die oft unterschätzten Vorinvestitionen für Sensorik und Daten-Pipeline, die der Anbieter nicht beziffert. Drittens die Unternehmensgröße, Tvarit ist kleiner als Siemens oder C3.ai; wer auf Konzernstabilität abzielt, sollte das in die Lieferantenbewertung aufnehmen. Für die richtige Zielgruppe, Mittelstand mit thermischen oder kontinuierlichen Prozessen und ernsthaftem Energie- und Qualitätshebel, ist Tvarit dagegen klar empfehlenswert.

Was wir bemerkt haben

• November 2026, Die Startseite nennt weiterhin Metall- und Prozessindustrie (Molkerei, Kakao, Chemie) als Fokus. Die Produktseite führt vier Module auf: Quality, Energy, Maintenance und Production Planning.
• November 2026, Tvarit nennt auf der Über-uns-Seite die Investoren Matterwave Ventures, Futury Capital und Momenta, die Startseite nennt eine Förderung über das hessische Distr@l-Programm. Auf der News-Seite stehen zwei Meldungen zu Finanzierungsrunden: „Tvarit raises €5m” (Frankfurt, 14.04.2023, angeführt von Momenta und Futury Capital) und eine Series A über 6,5 Mio. € mit 4impact capital. Ob beide Meldungen dieselbe Runde meinen, nennt der Anbieter nicht.
• November 2026, Die Über-uns-Seite nennt unter „Our Accolades” den 1. Platz als „Best Startup” unter 78 Startups in Deutschland und den 1. Platz unter 490 KI-Unternehmen im Track „Industrial AI” (EU H2020). Eine Fallstudie formuliert es anders: „one of the best 8 of 490 AI companies in Europe” (EU Horizon 2020). Die Pressemitteilung von 2022 nennt den 1. Platz beim „Start-up Award” des DIGITAL FUTUREcongress. Das sind Angaben des Anbieters.
• 2024, Die News-Seite führt einen Beitrag „Hannover Messe 2024”. Spätere Messeauftritte sind dort nicht aufgeführt.
• Hinweis zu Marketing-Zahlen, „Bis zu 60 % weniger Defekte” und „bis zu 30 % weniger Energie” sind Obergrenzen des Anbieters. Wie viele Projekte sie erreichen, nennt er nicht; rechne in deiner eigenen ROI-Kalkulation nicht mit dem Maximalwert.