Rohstoff-Substitutionsanalyse bei Lieferengpässen

Das echte Ausmaß des Problems

Chemische Lieferketten gehören zu den verletzlichsten überhaupt: Wenige Ausgangssubstanzen verbreiten sich über viele Stufen der Wertschöpfungskette, Quellen sind oft geographisch konzentriert, und der Wechsel eines Rohstoffs zieht regulatorische Folgearbeiten nach sich, die keine andere Branche in dieser Dichte kennt.

Laut einer Analyse von Conexiom entstehen weltweit mehr als 17.500 chemische Lieferketten-Störungen pro Jahr mit direkten Kosten von über 12 Milliarden US-Dollar — das sind im Schnitt rund 700.000 Dollar je Vorfall, bevor entgangene Umsätze und Folgekosten eingerechnet werden. Die durchschnittliche Erholungszeit nach einem schwerwiegenden Lieferausfall beträgt laut derselben Quelle drei bis fünf Monate.

Für den deutschen Chemie-Mittelstand bedeutet das konkret: Ein Produktionsstopp an einer Spezialchemie-Linie kostet täglich zwischen 5.000 und 30.000 Euro — abhängig von Auftragslage, Chargengröße und Kundenverträgen. Jeder Tag, den ein Chemiker mit manueller Datenbankrecherche verbringt, ist ein Tag, an dem die Linie nicht läuft.

Das strukturelle Problem ist vielschichtig:

• Datenmenge vs. Expertenkapazität: Eine qualifizierte Substitutionsanalyse berücksichtigt chemische Kompatibilität, Prozessbedingungen, toxikologisches Profil, REACH/SVHC-Status, Verfügbarkeit bei alternativen Lieferanten und Preis. Das ist manuell Tage-, nicht Stundenarbeit.
• Regulatorische Dichte: In keiner anderen Branche zieht ein Rohstoffwechsel so viele Konsequenzen nach sich — neue Sicherheitsdatenblätter, möglicherweise neue Gefahrstoffeinstufungen, Änderungsmitteilungen an Kunden und Behörden. Die REACH-Verordnung schreibt gemäß Artikel 31 vor, dass Lieferanten bei jeder relevanten Änderung einer Substanz ein aktualisiertes Sicherheitsdatenblatt übermitteln müssen.
• Tacit Knowledge: Welche Alternativsubstanzen in ähnlichen Formulierungen funktioniert haben, wissen oft einzelne Experten — und dieses Wissen ist selten systematisch dokumentiert.

Besonders hart trifft es mittelständische Betriebe: Sie haben selten ein dediziertes Substitutions-Management-System, aber oft die gleiche regulatorische Last wie Konzerne.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Erfahrungswerte aus chemischen KMU mit implementierten Substitutions-KI-Workflows; kein repräsentatives Survey. Laborvalidierung und formale Freigabe sind nicht eingerechnet.

Der entscheidende Punkt: KI beschleunigt die Vorauswahl — nicht die Validierung. Die Laborarbeit bleibt bestehen. Was wegfällt, ist der manuelle Datenbankmarathon davor.

Einschätzung auf einen Blick

Zeitersparnis — sehr hoch (5/5) Die Reduktion von 2–5 Tagen manueller Datenbankrecherche auf wenige Stunden ist innerhalb der Chemie-Kategorie die ausgeprägteste Zeitersparnis. Das liegt daran, dass hier parallele Datenbankabfragen, REACH-Screening und Lieferantenabgleich gebündelt werden — Aufgaben, die ein Chemiker seriell manuell erledigen müsste. Reaxys und SciFinder-n können zwar einzelne Datenquellen schneller abfragen als früher, aber erst ein KI-Workflow, der alle Quellen koordiniert, hebt die Effizienz auf dieses Niveau.

Kosteneinsparung — hoch (4/5) Jeder eingesparte Produktionsstopptag zahlt die Systemeinrichtung mehrfach zurück — das macht den Kostennutzen außergewöhnlich klar, wenn er eintritt. Die Einschränkung: Er tritt nicht täglich ein. Die Häufigkeit von Lieferengpässen variiert stark je nach Rohstoff-Portfolio und Lieferkettenstrategie. Für Unternehmen mit breitem Rohstoffspektrum und volatilen Lieferketten ist der Nutzen real und hoch — für Betriebe mit wenigen, gut abgesicherten Stammlieferanten sieht die Rechnung anders aus.

Schnelle Umsetzung — niedrig (2/5) Drei bis fünf Monate bis zum Pilotbetrieb ist in dieser Kategorie einer der langsameren Ansätze. Der Grund: Chemikalien-KI braucht Kontext — Prozessbedingungen, eigene Formulierungsdaten, Lieferantendaten, regulatorische Grenzen. Das aufzubauen braucht Zeit und erfordert chemisches Expertenwissen für die Konfiguration. Anders als ein LLM-basierter Textzusammenfasser ist das kein SaaS-Tool, das man in einem Tag einrichtet.

ROI-Sicherheit — mittel (3/5) Der ROI ist eindeutig messbar, wenn ein Lieferengpass eintritt — du siehst direkt, um wie viele Tage der Produktionsstopp kürzer war. Das macht die Einzelfallmessung einfach. Die Unsicherheit liegt in der Häufigkeit: Ein Unternehmen, das zweimal pro Jahr einen kritischen Engpass erlebt, hat einen anderen ROI als eines, das einmal in fünf Jahren betroffen ist.

Skalierbarkeit — hoch (4/5) Einmal aufgebaut, lässt sich die Wissensbasis erweitern: neue Substanzklassen, neue Lieferantendaten, neue regulatorische Listen. Die Grundinfrastruktur wird nicht proportional teurer. Die Einschränkung: Jede neue Substanzklasse erfordert initiale Konfigurationsarbeit durch einen Chemiker — vollständig automatisiert skaliert das System nicht.

Richtwerte — stark abhängig von Rohstoff-Portfolio-Breite, Lieferkettenstruktur und vorhandener Datenbasis.

Was die KI konkret macht

Ein KI-gestütztes Substitutionsanalysesystem tut, was ein Chemiker manuell in zwei bis fünf Tagen tut — aber parallel und in Stunden.

Schritt 1 — Strukturanalyse des ausgefallenen Rohstoffs. Das System analysiert den ausgefallenen Stoff auf Basis seiner chemischen Struktur (SMILES, CAS-Nummer), Funktionsgruppen und seiner Rolle in der Formulierung. Was macht dieser Stoff technisch? Welche Eigenschaften sind prozessrelevant — Viskosität, Siedepunkt, Polarität, Reaktivität unter Prozesstemperatur?

Schritt 2 — Kandidatensuche in parallelen Datenquellen. Statt eines manuellen Datenbanksprungs durchsucht das System gleichzeitig: externe Substanzdatenbanken (Reaxys, SciFinder-n), das interne SDB-Archiv, Lieferantendatenbanken und — wenn vorhanden — das historische Formulierungsgedächtnis des Unternehmens (eigene Rezepturdaten aus dem ERP oder PLM-System).

Schritt 3 — Regulatorischer Vorfilter. Für jeden Kandidaten läuft automatisch ein Abgleich gegen REACH-Annex XIV, die aktuelle SVHC-Kandidatenliste der ECHA, CLP-Einstufungen und exportrelevante Beschränkungen in Zielmärkten. Kandidaten mit unlösbaren regulatorischen Blockern scheiden sofort aus.

Schritt 4 — Ranking und Dokumentation. Das System berechnet eine Eignung-Priorität auf Basis der technischen Ähnlichkeit, Verfügbarkeit bei bekannten Lieferanten, Preis und regulatorischem Status. Die Ausgabe ist keine schlichte Liste, sondern ein strukturierter Bericht: Warum wurde dieser Kandidat empfohlen? Welche Eigenschaften weichen ab? Was muss im Labor getestet werden?

Was das System nicht übernimmt: Die physikalische Kompatibilität in der konkreten Formulierung. Reagiert der Kandidat unter euren spezifischen Prozessbedingungen anders als erwartet? Ändert sich die Produktqualität messbar? Diese Fragen kann nur das Labor beantworten. KI liefert die Shortlist — die Entscheidung braucht einen Chemiker und eine Testcharge.

Was die KI nicht leisten kann: Physikalische Kompatibilität

Das ist die wichtigste Einschränkung, die in keiner Herstellerpräsentation steht.

Ein KI-System kann strukturelle Ähnlichkeit berechnen. Es kann REACH-Status prüfen. Es kann sagen: „Dieser Stoff hat eine ähnliche Polarität und ist regulatorisch unbedenklich.” Was es nicht kann: prüfen, ob der Kandidat in eurer spezifischen Formulierung unter euren spezifischen Prozessbedingungen physikalisch kompatibel ist.

Konkrete Beispiele dafür, was KI nicht sieht:

• Unterschiedliche Partikelgrößenverteilungen beim Wechsel zwischen zwei oberflächlich ähnlichen Pigmentdispersionen
• Verändertes Kristallisationsverhalten eines Lösungsmittels bei 85 °C Prozesstemperatur
• Unerwartete Wechselwirkungen eines Kandidaten mit einem anderen Formulierungsbestandteil, der im System nicht als kritisch markiert war
• Produktsensorik-Abweichungen (Farbe, Geruch, Haptik), die erst in der Endformulierung sichtbar werden

Laut ChemCopilot können Standard-LLMs physikalisch-chemische Eigenschaften wie die Viskosität einer neuen Tensidmischung schlicht nicht vorhersagen — dafür braucht es spezialisierte Multi-Agenten-Systeme mit simulationsbasierter Komponente, und selbst diese liefern nur Näherungswerte.

Die praktische Konsequenz: Jeder KI-Vorschlag ist eine Hypothese. Keine Hypothese geht in die Produktion ohne Labortest und interne Freigabe. Wer das ignoriert, riskiert Produktionsfehler, Reklamationen und — im Worst Case — ein nicht-konformes Produkt auf dem Markt. KI beschleunigt die Vorauswahl dramatisch. Sie ersetzt die Validierungskette nicht.

Chemie-spezifisches Wissen: Was das System kennen muss

Ein generisches KI-System, das nicht auf Chemie-Kontext trainiert und konfiguriert ist, wird bei der Substitutionsanalyse scheitern. Das sind die Datenschichten, die vorhanden sein müssen:

Prozessbedingungen — Temperaturbereich, Druckverhältnisse, Reaktivität gegenüber bestimmten Kontaktmaterialien, pH-Bedingungen. Ein Lösungsmittel, das bei Raumtemperatur unbedenklich ist, kann bei 120 °C mit dem Reaktorwerkstoff reagieren.

Formulierungskontext — Welche anderen Rohstoffe sind in der Formulierung? Gibt es bekannte Unverträglichkeiten? Das historische Formulierungswissen des Unternehmens — am besten in einem PLM oder ERP strukturiert — ist oft entscheidend für die Qualität der Kandidatenliste.

Regulatorische Grenzen — REACH Annex XIV, aktuelle SVHC-Liste (wird zweimal jährlich von der ECHA aktualisiert), CLP-Einstufungen der Kandidaten, ggf. FDA/USP-Anforderungen für Lebensmittel- oder pharmazeutische Kontaktmaterialien. Diese Listen ändern sich — das System muss sie aktuell halten oder abrufen.

Lieferantendaten — Verfügbare Alternativen bei bestehenden Lieferanten, Mindestbestellmengen, Lieferzeiten. Eine chemisch perfekte Alternative, die vier Monate Lieferzeit hat, löst einen akuten Engpass nicht.

Internes Erfahrungsgedächtnis — Welche Substitutionen wurden in der Vergangenheit versucht? Mit welchem Ergebnis? Dieses Wissen ist in den meisten KMU in E-Mails, Laborprotokollen und Laborbüchern begraben. Es zu strukturieren und dem System zugänglich zu machen, ist oft die aufwendigste Phase der Implementierung.

Konkrete Werkzeuge — was wann passt

ChemCopilot — Wenn ihr ein KI-natives System wollt, das Substitutionsanalyse, regulatorisches Screening und PLM-Dokumentation in einem Workflow zusammenbringt. Geeignet für Unternehmen mit mehreren Dutzend aktiven Formulierungen und Compliance-Anforderungen in mehreren Märkten. Kein deutsches Interface; Preise auf Anfrage, Einstieg ab ca. 1.000 €/Monat.

Reaxys — Wenn ihr primär strukturbasierte Kandidatensuche mit experimentellen Eigenschaftsdaten braucht und einen eigenen KI-Workflow darüber aufbauen wollt. Beste Wahl für Synthesechemiker mit F&E-Fokus. Institutionelle Lizenz, typisch ab 20.000–60.000 €/Jahr.

SciFinder-n — Wenn CAS-Nummern euer interner Standard sind und ihr Retrosynthese-Pfade für schwer beschaffbare Ausgangsstoffe braucht. Stärker auf Literatur und Patente ausgerichtet als Reaxys, schwächer bei experimentellen Bulk-Eigenschaften. Institutionelle Lizenz, typisch ab 15.000–40.000 €/Jahr; für KMU reduzierte Pakete möglich.

Chemwatch — Wenn der primäre Engpass nicht die Kandidatensuche, sondern die SDB-Kette und regulatorische Nachdokumentation ist: Welche SDB müssen nach einem Rohstoffwechsel aktualisiert werden? Wer muss informiert werden? Chemwatch deckt den Compliance-Nachstrom einer Substitutionsentscheidung ab. Besonders nützlich für Unternehmen mit großem Produktportfolio und aktiven Kunden-SDB-Verpflichtungen.

Eigene RAG-Lösung mit Claude oder ChatGPT — Wenn ihr interne Formulierungsdaten, SDB-Archive und Lieferantendaten in einer durchsuchbaren Wissensbasis zusammenführen wollt, ohne eine spezialisierte Plattform zu lizenzieren. Niedrigere Einstiegsschwelle, aber höherer Eigenaufwand für Konfiguration und Datenpflege. Geeignet für Unternehmen mit IT-Kapazität intern und engem Budget für Spezialtools. Laufende Kosten: 200–600 €/Monat für API-Nutzung und Infrastruktur.

Wann welcher Ansatz:

• Integrierter PLM-Workflow, multi-market Compliance → ChemCopilot
• Strukturbasierte Synthese-Recherche, F&E-Fokus → Reaxys oder SciFinder-n
• SDB-Kette und regulatorische Folgepflichten → Chemwatch
• Interne Wissensbasis, knappes Budget, IT-Ressourcen vorhanden → eigene RAG-Lösung

Datenschutz und Datenhaltung

Rohstoff-Substitutionsdaten sind in der Regel keine personenbezogenen Daten im Sinne der DSGVO — wohl aber oft Betriebs- und Geschäftsgeheimnisse. Formulierungsdaten, proprietäre Mischungsverhältnisse und interne Qualifikationskriterien sind kritisches geistiges Eigentum.

Worauf ihr bei den Tools achten müsst:

• Reaxys und SciFinder-n: Ihr übertragt eure Suchanfragen (CAS-Nummern, Strukturformeln) an diese Anbieter. Formulierungsdaten im eigentlichen Sinne verlassen nicht das Unternehmen — ihr fragt nur Kandidaten ab. Aber: Suchanfragen können implizit verraten, an welchen Substitutionen ihr arbeitet.
• ChemCopilot: EU-Datenhosting verfügbar; proprietäre Formulierungsdaten können das System verlassen, wenn ihr sie als Kontext eingebt. AVV-Abschluss ist Pflicht vor dem Produktivbetrieb.
• Chemwatch: Hosting global (Australien/USA) — für reine SDB-Verwaltung mit nicht-personenbezogenen Daten in der Praxis oft unbedenklich, für Formulierungsdaten mit eigenem Datenschutzbeauftragten abstimmen.
• Eigene RAG-Lösung: Vollständige Datenkontrolle möglich, wenn auf selbst gehostetem System oder einem EU-Cloud-Anbieter. Das ist die DSGVO-sicherste Option für sensible proprietäre Daten.

Für Unternehmen im Pharmabereich oder mit FDA-regulierten Produkten: KI-gestützte Substitutionsentscheidungen fallen unter Änderungsmanagement-Prozesse — die Dokumentation der KI-Empfehlungen und der menschlichen Freigabeentscheidung muss den regulatorischen Anforderungen genügen.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten (mittlerer Ansatz)

• Externe Beratung und Systemaufbau: 15.000–40.000 € (abhängig von gewähltem Tool und Integrationstiefe mit ERP/PLM)
• Interne Aufbereitung der Wissensbasis (Formulierungsdaten, SDB-Archive): 4–8 Wochen Aufwand eines erfahrenen Chemikers
• Datenbanklizenzen erste 12 Monate: eingerechnet in den Jahresbetrieb unten

Laufende Kosten (monatlich)

• ChemCopilot: ca. 1.000 €/Monat Einstieg + Datenbankzugang
• Reaxys oder SciFinder-n (Jahreslizenz): 1.500–5.000 €/Monat gerechnet auf Jahresbasis
• Eigene RAG-Lösung: 200–600 €/Monat Infrastruktur + LLM-API

Was du dagegenrechnen kannst Eingespartes Lieferausfallrisiko ist der Haupthebel. Ein Produktionsstopp kostet euer Unternehmen 5.000–30.000 € täglich — ein realistisches Szenario für einen Mittelständler mit einer betroffenen Produktionslinie. Wenn das System im ersten Jahr einen einzigen Engpass um drei Tage verkürzt, hat es sich in den meisten Fällen amortisiert.

Wie du den Nutzen tatsächlich misst Vor der Einführung: dokumentiere den letzten Lieferausfall — Datum, Dauer, Kosten. Das ist deine Baseline. Nach der Einführung: vergleiche Zeit-bis-Alternativliste und Produktionsstopptage. Das ist eine direkte, messbare Größe — keine theoretische Kalkulation.

Typische Einstiegsfehler

1. Mit dem Wunsch starten, alles auf einmal abzudecken. Der Reflex: Wir wollen alle 300 Rohstoffe sofort absichern. Das Ergebnis: Monatelanges Datenmapping, bis das erste Ergebnis vorliegt, und Erschöpfung im Team. Sinnvoller Start: die 20–30 Rohstoffe identifizieren, die am häufigsten von Engpässen betroffen sind oder das höchste Produktionsrisiko tragen. Diese erst. Den Rest danach.

2. Den regulatorischen Kontext unterschätzen. Ein chemisches KI-Tool, das nicht mit aktuellen REACH/SVHC-Daten gefüttert wird, gibt regulatorisch ungeprüfte Kandidatenlisten zurück. Die ECHA aktualisiert die SVHC-Kandidatenliste zweimal jährlich. Wenn euer System auf einem Stand von vor 18 Monaten arbeitet, sind die Empfehlungen potenziell nicht rechtskonform. Wer für den regulatorischen Datenfeed verantwortlich ist, muss vor dem ersten Produktivbetrieb geklärt sein.

3. Die Laborvalidierungskette als selbstverständlich voraussetzen. Das häufigste Missverständnis in Pilotprojekten: Teams glauben, wenn die KI einen Kandidaten empfiehlt, sei er weitgehend validiert. Ist er nicht. Jeder Kandidat, der aus dem AI-Workflow kommt, ist eine wissenschaftlich gut begründete Hypothese — und muss trotzdem durch eure internen Test- und Freigabeschritte. Wer diese Phase im Projektplan unterschätzt, bekommt ein System, das schnell Vorschläge macht, aber keinen messbaren Einfluss auf die Produktionszeit hat.

4. Das Erfahrungsgedächtnis des Unternehmens vergessen. Die wertvollste Datenquelle für die Substitutionsanalyse ist oft nicht Reaxys — sondern eure eigene Formulierungshistorie: Was hat vor zehn Jahren nicht funktioniert? Welcher Kandidat wurde damals getestet und warum verworfen? Dieses Wissen liegt in Laborbüchern, E-Mails und Köpfen erfahrener Chemiker. Es nicht zu strukturieren, bevor das KI-System läuft, bedeutet: Das System empfiehlt im schlimmsten Fall Wege, die ihr bereits erfolglos gegangen seid.

5. Kein klares Änderungsmanagement für regulatorische Listen. Die SVHC-Liste ändert sich. REACH-Beschränkungen kommen und gehen. CLP-Einstufungen werden angepasst. Das System muss diese Änderungen automatisch einarbeiten — oder zumindest eine Person, die regelmäßig prüft, ob die Datenbasis noch aktuell ist. Ohne diesen Prozess gibt das System nach 12 Monaten mit wachsender Konfidenz falsche Compliance-Aussagen.

Was mit der Einführung wirklich passiert — und was nicht

Die häufigste Überraschung bei Pilotprojekten ist nicht technisch — es ist die Entdeckung, wie fragmentiert das eigene Wissen wirklich ist.

Wenn ein Team beginnt, alle formulierungsrelevanten Daten zu strukturieren, um sie dem KI-System zugänglich zu machen, stellen viele Unternehmen fest: Ein erheblicher Teil der intern als „dokumentiert” geltenden Informationen existiert nur in den Köpfen bestimmter Personen. Formulierungshistorien sind in E-Mails vergraben. Lieferantendaten werden in Excel-Dateien auf persönlichen Laufwerken gepflegt.

Das ist kein Hindernis für die Einführung — aber ein Signal dafür, dass die eigentliche Arbeit nicht die Tool-Installation ist, sondern die Wissenskonsolidierung davor.

Widerstands-Muster, die in fast jedem Projekt auftreten:

Die „das ist mein Gebiet”-Reaktion. Erfahrene Chemiker haben über Jahre ein intuitives Wissen aufgebaut, das schwer zu formalisieren ist. Ein System, das auf Basis von Datenbanken schnell Kandidaten vorschlägt, wird von manchen als Bedrohung ihrer Expertise wahrgenommen — auch wenn das nie so kommuniziert wird. Was hilft: das System als Recherche-Assistenten positionieren, nicht als Entscheidungsautomaten. Die Fachkenntnis entscheidet weiterhin, welcher Kandidat tatsächlich ins Labor kommt.

Pilotprojekt-Erschöpfung. Die Datenvorbereitung dauert länger als geplant. Das Team verliert die Geduld, bevor das System den ersten echten Engpass bearbeiten kann. Was hilft: bewusst einen echten historischen Lieferengpass aus den letzten zwei Jahren als Testfall nehmen und durchspielen — war das Ergebnis besser als damals? Dieses Retrospektiv-Experiment schafft konkrete Evidenz und reaktiviert die Motivation.

Zu hohe Erwartungen an die erste Version. Das Pilotbetrieb-System wird in den ersten Monaten nicht alle Fragen beantworten. Es wird Kandidaten vorschlagen, die offensichtlich nicht passen. Das ist normal und wertvolles Feedback. Was hilft: klare Metriken vorher definieren — nicht „ist das System gut?”, sondern „hat die Zeit bis zur qualifizierten Kandidatenliste abgenommen?”

Realistischer Zeitplan mit Risikohinweisen

Hinweis: Pharmazeuten und Hersteller regulierter Produkte benötigen zusätzlich Validierungsschritte nach GxP, die diesen Zeitplan verlängern können.

REACH-Kontext: Was ein Rohstoffwechsel dokumentationspflichtig macht

Ein Rohstoffwechsel ist in der chemischen Industrie nie nur eine technische Entscheidung. Er löst eine Kette von Dokumentations- und Informationspflichten aus, die unabhängig davon gelten, ob KI oder Mensch die Alternative gefunden hat:

REACH Artikel 31 verpflichtet Lieferanten von Substanzen und Gemischen, ihren Abnehmern ein aktualisiertes Sicherheitsdatenblatt (SDB) zu übermitteln, wenn sich relevante Eigenschaften oder die Einstufung eines Inhaltstoffs ändern. Wenn ihr einen Rohstoff wechselt, weil der bisherige Lieferant ausgefallen ist, müssen eure eigenen Kunden über eine Änderung im SDB des Endprodukts informiert werden — sofern das Endprodukt selbst als Gemisch mit SDB-Pflicht gehandelt wird.

CLP-Einstufungsfolgen: Wenn der Substitutionskandidat eine andere Gefahreneinstufung trägt als der ausgefallene Stoff (z.B. neue H-Sätze), kann das die Gesamteinstufung eures Endprodukts verändern — mit Auswirkungen auf Kennzeichnung, Verpackungsanforderungen und Kommunikationspflichten in der Lieferkette.

SVHC-Informationspflicht nach Artikel 33: Wenn der Substitutionskandidat einen besonders besorgniserregenden Stoff enthält (SVHC, Konzentration über 0,1 Prozent in einem Erzeugnis), muss dies allen gewerblichen Kunden aktiv kommuniziert werden.

Was KI hier leistet: Ein gut konfiguriertes System erkennt diese Folgepflichten automatisch und macht sie sichtbar — noch vor der Laborvalidierung. Was es nicht entscheiden kann: ob die Änderung nach euren internen Freigabekriterien minor oder major ist. Diese Entscheidung trifft der Chemiker.

Häufige Einwände — und was dahintersteckt

„Wir haben Rahmenverträge mit Ausweichlieferanten — das brauchen wir nicht.” Rahmenverträge regeln, wer liefern kann. Sie garantieren nicht, dass der Ausweichlieferant dieselbe chemische Spezifikation hält — oder dass der Preis im Engpässefall noch gilt. Wenn euer Ausweichlieferant selbst ausgelastet ist oder sein Produkt marginal anders spezifiziert ist als erwartet, habt ihr dasselbe Problem. Außerdem: Rahmenverträge decken bekannte Ausfälle ab. KI-Substitutionsanalyse hilft bei unbekannten Lücken und strukturellen Änderungen (REACH-Verbote, Force Majeure, Insolvenz).

„Unsere Chemiker kennen die Alternativen bereits.” Stimmt — für die häufigsten Rohstoffe. Für das Long Tail-Portfolio, die 80 Prozent der Rohstoffe, die seltener verwendet werden und bei denen das Expertenwissen nicht so tief sitzt, gilt das nicht. Und selbst erfahrene Chemiker haben keinen Echtzeit-Überblick über aktuelle SVHC-Einstufungen für alle Kandidaten.

„Das dauert zu lange bis zur Einführung — bis dahin ist der Engpass längst vorbei.” Das stimmt. Ein akuter Engpass heute lässt sich mit einem heute nicht vorhandenen System nicht lösen. Die Investition gilt dem nächsten Engpass — und dem übernächsten. Wer die Implementierung bis zum nächsten Lieferausfall aufschiebt, hat dann dieselbe Situation: kein System, akuter Handlungsdruck, Tage verloren.

„Die Laborkosten für die Validierung machen den Zeitgewinn wieder wett.” Laborkosten entstehen sowohl mit als auch ohne KI — an der Zahl der Labortests ändert sich durch die KI zunächst nichts. Was sich ändert: die Qualität der Kandidaten, die ins Labor kommen. Wenn das System regulatorisch vorgefilterter und strukturell besser passende Kandidaten liefert, sinkt die Zahl der Kandidaten, die im Labor scheitern. Weniger Fehlversuche bedeuten weniger Laborkosten auf mittlere Sicht — aber dieser Effekt entsteht erst nach mehreren Engpass-Zyklen, nicht sofort.

Woran du merkst, dass das zu dir passt

• Ihr habt mehr als 80–100 aktive Rohstoffe in laufender Produktion, von denen ein relevanter Anteil aus single-source-Beschaffung stammt
• Ihr habt in den letzten zwei Jahren mindestens zweimal einen Lieferengpass erlebt, der mehr als einen Arbeitstag in der Produktionsplanung verursacht hat
• Euer REACH/EHS-Spezialist ist in der Lage, die Ausgaben eines KI-Systems zu bewerten und regulatorische Kandidaten final zu qualifizieren — ihr habt die interne Kompetenz, nicht nur die Software
• Ihr habt ein PLM oder ERP, in dem Formulierungsdaten strukturiert hinterlegt sind oder werden können — auch wenn es heute noch nicht perfekt ist
• Euer Chemiker-Team verbringt mehr als einen Tag pro Monat mit manueller Datenbankrecherche für Substitutionsfragen

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Unter 50–70 aktiven Rohstoffen oder ausschließlich Standardchemikalien mit breiter Anbieterstruktur. Wenn jeder eurer Rohstoffe bei zehn Lieferanten verfügbar ist, ist ein KI-Substitutionssystem Overkill. Die Beschaffungsabteilung löst den Ausfall mit einem Anruf. Die Investition amortisiert sich bei dieser Rohstoff-Struktur nicht.

2. Kein REACH/EHS-Spezialist im Team. Ein KI-System liefert regulatorische Hinweise — es liefert keine regulatorische Expertise. Wer die Ausgaben des Systems nicht fachlich bewerten kann, riskiert, auf Basis eines unvollständigen Screenings zu handeln. Ohne eine Person, die SVHC-Einstufungen und REACH-Annex-XIV-Anforderungen einordnen kann, ist das System gefährlicher als keines.

3. Hauptsächlich API-regulierte Wirkstoffe oder pharmazeutische Ausgangsstoffe. Für APIs (Active Pharmaceutical Ingredients) und regulierte Pharmazeutika ist jeder Rohstoffwechsel ein regulatorisches Zulassungsverfahren — unabhängig davon, was eine KI empfiehlt. Die KI kann die Kandidatenrecherche beschleunigen, aber sie ersetzt nicht die Wirkstoffbehörden-Kommunikation und die Stabilitätsstudien. Für diesen Bereich braucht ihr ein spezialisiertes RA-System, nicht eine generische Substitutions-KI.

Das kannst du heute noch tun

Beginne mit einer Inventur eurer zehn kritischsten Rohstoffe — die, deren Ausfall euer Unternehmen am stärksten treffen würde. Prüfe für jeden: Wie viele qualifizierte Alternativen könntest du heute innerhalb von 24 Stunden benennen? Für welche ist die Antwort „weniger als zwei”? Das sind deine Priorität-1-Rohstoffe für ein Substitutionssystem.

Als ersten konkreten Schritt: Lade die Sicherheitsdatenblätter eurer fünf kritischsten Rohstoffe in NotebookLM hoch und stelle die Frage im folgenden Prompt-Format:

Quellen & Methodik

• Fraunhofer IPA (2025): „Künstliche Intelligenz hilft bei der Suche nach Alternativen” — Presseinformation vom 6. Juni 2025 zum Forschungsprojekt „Ultraeffizienzfabrik – Deep Dive” (April 2024–August 2025), gefördert durch das Ministerium für Umwelt, Klima und Energiewirtschaft Baden-Württemberg mit 1,4 Millionen Euro. Das Projekt entwickelt ein KI-gestütztes Substitutionswerkzeug auf Basis der Semantic Scholar-Datenbank. URL: ipa.fraunhofer.de
• Conexiom (2024): „The Cost of Supply Chain Disruptions: 20+ Statistics” — 17.500+ Störungen weltweit pro Jahr, Durchschnittskosten 697.000 USD je Disruption. URL: conexiom.com/blog
• ChemCopilot Blog (2024): „Digital Twins: Testing 1,000 Formulations Without a Single Beaker” — Standard-LLMs können physikalisch-chemische Eigenschaften wie Viskosität neuer Tensidmischungen nicht vorhersagen; Multi-Agenten-Systeme erforderlich. URL: chemcopilot.com
• ECHA (2026): REACH Annex XIV, SVHC-Kandidatenliste, Artikel 31 und 33-Anforderungen — Europäische Chemikalienagentur, gültige Fassung. URL: echa.europa.eu
• Imran S. (2025): „AI and Digital Tools for REACH Compliance: Transforming Chemical Safety Management” — SSRN Working Paper, 2025. Beschreibt KI-gestützte REACH-Compliance-Workflows inkl. automatischem Alternativvorschlag bei Beschränkungen. URL: papers.ssrn.com/sol3/papers.cfm?abstract_id=5259676
• Kosten- und Zeitangaben: Eigene Einschätzungen auf Basis öffentlich zugänglicher Tool-Preislisten und Erfahrungswerten aus chemischen KMU-Projekten (Stand April 2026). Produktionsstoppkosten 5.000–30.000 €/Tag: branchenübliche Schätzung für Spezialchemie-Linien im Mittelstand; stark abhängig von Produktionsgröße und Kundenvertragsstruktur.

Du willst wissen, welche eurer Rohstoffe das höchste Substitutionsrisiko tragen und wie ihr mit einer schlanken Lösung starten könnt? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.