E-Waste-Sortierung mit KI

Das echte Ausmaß des Problems

Deutschland hat in der Umsetzung der WEEE-Richtlinie (in nationales Recht umgesetzt als ElektroG) ein strukturelles Problem: Die Sammelquote für Elektro- und Elektronikaltgeräte betrug 2021 laut Umweltbundesamt knapp 39 Prozent — weit entfernt vom gesetzlich vorgeschriebenen Ziel von 65 Prozent. Damit belegt Deutschland im europäischen Vergleich Platz 22. Was gesammelt wird, muss nach strikten Verwertungsquoten aufgeteilt werden: Je nach Gerätekategorie müssen 75 bis 85 Prozent der gesammelten Masse tatsächlich verwertet werden.

Das Problem liegt nicht allein an mangelndem Sammeleifer — es liegt auch daran, dass die nachgelagerte Sortierstufe nicht gut genug funktioniert:

• Manuelle Falschsortierung erzeugt systematisch verunreinigte Fraktionen, die für Hüttenwerke nicht verwendbar sind und thermisch entsorgt werden müssen — ein Verlust, der direkt die Verwertungsquote drückt
• Lithium-Ionen-Akkus als Brandbeschleuniger: Nicht erkannte Batterien in Shredderlinien sind die häufigste Ursache für Anlagenbrände in Sortier- und Recyclingbetrieben. Korn Recycling, ein mittelständischer Entsorgungsbetrieb, verzeichnete vor KI-Einführung 17 Brände allein in einem Zwei-Monats-Zeitraum durch Lithium-Akkus
• Edelmetallverluste: In gedruckten Schaltungen (PCBs) stecken Gold, Silber, Palladium und Kupfer. Eine unzureichende Trennung von PCBs aus dem Gerätestrom bedeutet: Diese Metalle landen in minderwertigen Fraktionen mit deutlich geringeren Erlösen
• ElektroG-Dokumentationsaufwand: Jede Anlage, die WEEE-Verwertungsleistungen dokumentiert, braucht nachvollziehbare Sortierprotokolle pro Gerätekategorie. Bei manueller Sortierung entstehen dabei systematische Fehler und erheblicher Schreibaufwand

Der globale E-Waste-Markt wächst: 2024 lag das Marktvolumen bei rund 70 Milliarden US-Dollar, 2025 bereits bei 81 Milliarden — angetrieben durch kürzere Gerätelebenszyklen und steigende Menge an ausgemusterten Geräten aus Rechenzentren. Für Recyclingbetriebe bedeutet das: mehr Volumen, mehr Komplexität, mehr regulatorischer Druck.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Vergleichswerte für Korn Recycling (Brandentstehung) stammen aus einer veröffentlichten Fallstudie von WeSort.AI/euwid-recycling.de (2024). Sortiergenauigkeiten und Durchsatzwerte aus TOMRA-Anwenderberichten und ZenRobotics-Projektdokumentation.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5)
Das Personal auf der Sortierlinie wird um 60–80 Prozent reduziert — das ist real und erheblich. Trotzdem landet dieser Wert in der Mitte der Kategorie: Tourenoptimierung oder Kundenkommunikation entlasten Büroprozesse täglich und sofort spürbar. Die Sortierautomation ersetzt Schichtstunden auf der Linie — ein anderer, nicht geringerer, aber auch nicht überlegener Effekt. Hinzu kommt: Maschinenzeiten erfordern Einrüst- und Wartungszeit, die beim manuellen Betrieb nicht anfällt.

Kosteneinsparung — hoch (4/5)
Dies ist der stärkste wirtschaftliche Hebel in der Kategorie: Eingesparte Personalkosten auf der Sortierlinie (vier bis acht Vollzeitstellen je Schicht), erhöhte Edelmetallausbeute aus PCBs und Kupferfraktionen sowie vermiedene Brandschadenkosten ergeben zusammen einen sehr klaren Kostenvorteil. Die Investition (150.000–800.000 EUR je nach Systemkonfiguration) ist hoch — der Rückfluss bei ausreichendem Durchsatz aber gut kalkulierbar. Für Betriebe mit mehr als 5.000 Tonnen Jahreskapazität liegt TOMRA AUTOSORT laut eigenen Anwenderberichten bei 14 Monaten ROI für Nachrüstungen.

Schnelle Umsetzung — sehr gering (1/5)
Der niedrigste Wert in der gesamten Entsorgungskategorie — und das zurecht. Zwischen Erstgespräch und Produktivbetrieb liegen: Förderbandsanierung oder -neubau, Sensorinstallation, Software-Integration, Modelltraining auf dem spezifischen Materialstrom, Sicherheitsabnahme, Mitarbeiterschulung. Realistisch: 20 bis 30 Wochen Vorlaufzeit, oft mehr. Wer schnelle Ergebnisse braucht, sollte mit einem anderen Anwendungsfall aus dieser Kategorie beginnen.

ROI-Sicherheit — mittel (3/5)
Die Grundrechnung ist überzeugend — aber sie hängt an zwei Variablen, die du nicht kontrollierst: Edelmetallpreise (Kupfer, Gold, Palladium schwanken erheblich) und Durchsatz. Bei ausgelastetem Betrieb rechnet sich die Anlage gut. Bei einem Einbruch des Geräteaufkommens oder fallenden Metallpreisen dehnt sich der ROI-Horizont spürbar. Für Betriebe mit stabilen Lieferantenverträgen ist die ROI-Sicherheit höher als für solche mit opportunistischer Annahme.

Skalierbarkeit — mittel (3/5)
Mehr Durchsatz bedeutet mehr Maschinen — nicht nur mehr Software. Das ist fundamental anders als etwa eine KI-basierte Gebührenkalkulation, die mit demselben System zehnmal mehr Angebote berechnen kann. Neue Materialklassen (z. B. ein neuer Gerätetyp mit anderem Materialaufbau) erfordern Nachtraining und manchmal neue Sensortechnik. Skalierung ist möglich, aber kostet real.

Richtwerte — stark abhängig von Anlagendurchsatz, vorhandener Infrastruktur und Materialzusammensetzung.

Was das System konkret macht

Das Herzstück einer KI-gestützten E-Waste-Sortierung besteht aus drei Schichten, die zusammenarbeiten:

Schicht 1: Sensorik
Das Förderband transportiert Elektroschrott an Kamera- und Messsystemen vorbei. Je nach Anlagenauslegung kommen unterschiedliche Sensoren zum Einsatz:

• RGB-/Hyperspektralkameras (Near-Infrared, NIR) erkennen Materialtypen anhand der Lichtreflexion — Kunststofftypen, Metalloberflächen, PCB-Farben
• XRF-Sensoren (Röntgenfluoreszenz) messen die chemische Elementzusammensetzung direkt — unverzichtbar für die Unterscheidung von Kupfer, Aluminium, Zink und Edelmetallen
• Röntgentransmission (XRT) durchleuchtet Materialhaufen und erkennt auch verdeckte Objekte wie Lithium-Ionen-Akkus unter anderen Materialien — das System von WeSort.AI arbeitet nach diesem Prinzip

Schicht 2: KI-Klassifikation
Ein trainiertes Computer-Vision-Modell — in modernen Anlagen ein Deep-Learning-Ansatz — ordnet jeden erkannten Gegenstand einer Kategorie zu: PCB, Kupferkabel, Aluminium-Gehäuse, Lithium-Batterie, Kondensator mit Gefahrstoff, und so weiter. Die Klassifikation läuft in Echtzeit, synchronisiert mit der Bandgeschwindigkeit. TOMRA AUTOSORT mit dem GAINnext-Modul verarbeitet bis zu 2.000 Ejektionen pro Minute.

Schicht 3: Physische Trennung
Nach der Klassifikation steuert das System Druckluft-Ejektoren oder Roboterarme an, die das identifizierte Material in die richtige Fraktion ablenken. ZenRobotics verwendet Greifroboter-Arme für schweres, unregelmäßig geformtes Material. TOMRA AUTOSORT verwendet Druckluft-Ejektoren für schnelle Trennung auf dem laufenden Band.

Was die KI nicht kann: Sie kann nur das trennen, was der Sensor erfassen kann. Wenn Materialien sich farblich und spektral ähneln (z. B. schwarze Kunststoffe verschiedener Typen), ist NIR-Spektroskopie allein nicht ausreichend — XRF oder kombinierte Sensorik muss hinzukommen. Für sehr kleine Teile (unter 4 mm) stoßen auch Hochleistungssysteme an Grenzen.

Was ihr hardware-seitig braucht

Dieser Anwendungsfall ist grundlegend verschieden von allen software-getriebenen KI-Projekten: Ohne die richtige physische Infrastruktur kann keine Software die Sortierung verbessern. Das sollte vor jeder Investitionsentscheidung klar sein.

Förderband-Infrastruktur:
Das Eingabeband muss Material vereinzeln — Schüttgutstrecken mit unkontrollierter Materialüberlagerung machen präzise Erkennung unmöglich. Typisch sind: eine oder zwei Stufen Förderbandbeschleunigung zur Vereinzelung, definierte Bandbreite (600–1.200 mm), konstante Bandgeschwindigkeit (1,5–3 m/s je nach System), und stabile Beleuchtung ohne wechselnde Schattenwürfe.

Sensor-Auswahl nach Zielanwendung:

Wichtige Infrastruktur-Voraussetzungen:

• Ausreichend Hallenraum für Sensorbrücke, Ejektor-Strecke und Fraktionscontainer (typisch 15–25 Meter Strecke)
• Druckluftnetz für Ejektoren (6–8 bar, ausreichend Volumenstrom)
• Stabile Stromversorgung ohne Spannungsschwankungen (Sensoren reagieren empfindlich)
• Sicherheits-Schaltkreise für automatischen Notausschluss (Arbeitsschutz EN ISO 13849)

Was oft unterschätzt wird: Die mechanische Integration der Sensorbrücke in ein bestehendes Förderband dauert oft länger als das Softwaretraining. Jede Umbauphase bedeutet Stillstand — das sollte in die ROI-Rechnung ein.

Konkrete Werkzeuge — was wann passt

TOMRA AUTOSORT mit GAINnext — Weltmarktführer für sensorbasierte Sortierung, kombiniert NIR, Farbkameras und Deep-Learning-Objekterkennung. Besonders stark für die Materialarten-Trennung auf hoher Durchsatz-Bandlinie. Die GAINnext-KI-Erweiterung ist für kompatible bestehende AUTOSORT-Anlagen nachrüstbar — das senkt die Einstiegsinvestition erheblich gegenüber Neuinstallation. Kosten je nach Konfiguration: 150.000–500.000 EUR inkl. Installation.

WeSort.AI BatterySort — Spezialisiertes System für Lithium-Ionen-Batterie-Erkennung per Röntgentransmission. Nachrüstbar für bestehende Förderanlagen. Praxisbelegt: Korn Recycling reduzierte Batteriebrände 2024 um 94 %. Nicht für allgemeine E-Waste-Klassifikation ausgelegt — es ist ein Sicherheitssystem, kein Sortiersystem.

ZenRobotics 4.0 — Roboterarm-basierte Sortierung, stärker für schweres, unregelmäßiges Material geeignet. ZenBrain erkennt über 500 Abfallkategorien. Referenz: RGS Nordic in Kopenhagen (Bauschutt, 2024), kommunale Sortieranlage Tokyo (E-Waste, 2023 — 40 % Durchsatzsteigerung, 28 % weniger Kontamination). Kosten: ab 400.000–800.000 EUR für vollständige Installation.

REDWAVE XRF — Auf XRF-Metallsortierung spezialisiert, erkennt Kupfer, Messing, Zink, Edelmetalle ab 4 mm Teilchengröße. Ideal für die Nachsortierstufe nach Shreddern, wenn Elementzusammensetzung der Fraktion entscheidend ist. ROI laut REDWAVE in unter zwei Jahren. Preise auf Anfrage.

AMP Robotics (ohne eigene Tool-Seite) — US-amerikanischer Anbieter, hat mit ERI (größter US-ITAD-Anbieter) das erste vollständig KI-sortierte ITAD-Zentrum betrieben. AMP Delta sortiert bei bis zu 80 Picks pro Minute kleinteilige E-Waste-Komponenten. In Deutschland noch wenig verbreitet, aber zunehmend präsent.

Wann welcher Ansatz:

• Batterien und Brandschutz im Vordergrund → WeSort.AI BatterySort
• Bestehende AUTOSORT-Anlage vorhanden → TOMRA AUTOSORT GAINnext-Nachrüstung
• Neubau mit Schwerpunkt Metall-Legierungstrennung → REDWAVE XRF
• Neubau mit gemischten schweren Materialien → ZenRobotics 4.0

Datenschutz und Datenhaltung

E-Waste-Sortierung ist primär ein industrielles Automatisierungsprojekt — personenbezogene Daten spielen in der Sensorik selbst keine Rolle. Allerdings gibt es relevante Datenschutz-Aspekte beim dahinterliegenden Dokumentationssystem:

ElektroG-Dokumentation: Sortier- und Verwertungsnachweise nach ElektroG enthalten Betriebsdaten des Anlagenbetreibers, Lieferanten-Informationen und Gerätemengen. Diese Daten müssen bei der Meldung an die Stiftung EAR und das zuständige Umweltbundesamt sicher übertragen werden. Moderne Anlagensteuerungssysteme können ElektroG-konforme Reports automatisch generieren.

Kamerasystem und Arbeitsschutz: Wenn Industriekameras im Sortierbetrieb auch Mitarbeitende im Sichtfeld erfassen könnten, greift die DSGVO. Betriebsräte sind einzubeziehen; in der Praxis werden Kamerasysteme so ausgerichtet, dass das Förderband im Fokus liegt, nicht Arbeitsbereiche. Das sollte in der Installationsplanung explizit dokumentiert werden.

Cloud vs. Edge: Industrielle Sortieranlagen-KI läuft fast immer On-Premise oder auf Edge-Computern direkt an der Maschine — nicht in der Cloud. Echtzeit-Klassifikation bei 2.000 Ejektionen pro Minute ist nicht mit Cloud-Latenz vereinbar. Die Sensordaten verlassen die Anlage nicht. Lediglich für Fernwartung, Modell-Updates und Reporting werden externe Verbindungen genutzt — diese sind durch VPN und Firewalls zu sichern.

AVV mit Systemlieferanten: Auch bei industriellen Anlagen gilt: Sobald ein Systemlieferant im Rahmen von Wartungsarbeiten Zugriff auf Anlagendaten erhält, die Rückschlüsse auf Betriebsgeheimnisse ermöglichen, sollte vertraglich geregelt sein, welche Daten erhoben und gespeichert werden dürfen. Das ist kein DSGVO-Thema, sondern ein kaufmännisches.

Was es kostet — realistisch gerechnet

Einmalige Investitionskosten (Bandbreite)

Hinzu kommen: Ingenieurleistungen für Anlagenintegration (50.000–150.000 EUR), Schulungsaufwand (intern), und bei vollständiger Neuplanung auch Bau- und Genehmigungskosten.

Laufende Kosten
Jährliche Servicekosten liegen typisch bei 8–12 % der Investitionssumme (Wartungsverträge, Ersatzteile, Modell-Updates). Edge-Computing-Infrastruktur: 5.000–15.000 EUR/Jahr je nach Konfiguration.

Konservatives ROI-Szenario

Angenommen: Betrieb mit 8.000 Tonnen Elektroschrott/Jahr, Systemkosten 400.000 EUR (Nachrüstung + Integration):

• Eingesparte Personalkosten Sortierlinie: 4 Vollzeitstellen à 35.000 EUR/Jahr → 140.000 EUR/Jahr
• Erhöhte PCB-Ausbeute (+15 %) bei 300 t/Jahr PCB-Anteil: ca. 45.000 EUR/Jahr Mehrerlös (bei 1 EUR/kg Differenz zwischen gemischter und sauberer PCB-Fraktion)
• Vermiedene Brandschäden und Versicherungsprämien: schwer zu beziffern, aber realistisch 20.000–50.000 EUR/Jahr
• Jährlicher Nettogewinn ohne Brandprävention: ~185.000 EUR
• ROI-Horizont: ca. 26 Monate

Bei höherem Durchsatz, mehr PCB-Anteil oder teurerem Personalmarkt verkürzt sich der Horizont erheblich. TOMRA AUTOSORT gibt für GAINnext-Nachrüstungen 14 Monate als Richtwert an.

Wie du den Nutzen tatsächlich misst
Die sauberste Methode: Fraktionsreinheit und -gewichte vor und nach der Umstellung protokollieren. Messe die Verwertungserlöse je Fraktion in den ersten zwei Quartalen nach Inbetriebnahme und vergleiche sie mit dem Vorjahresniveau. Das ist kein theoretisches ROI-Modell — es ist Buchführung.

Integrations-Realität: ERP und ElektroG-Dokumentation

Hier liegt der Unterschied zwischen einem gut funktionierenden Sortiersystem und einem, das seinen vollen Wert für das Unternehmen entfaltet.

Die Ist-Situation in den meisten Betrieben: Die Sortieranlage trennt zuverlässig, aber die Fraktionsgewichte werden nach der Verwiegung manuell in ein Excel oder direkt ins ERP getippt. ElektroG-Meldungen entstehen durch manuelle Aggregation aus mehreren Quellen — und genau dort entstehen die Fehler, die bei Nachfragen der Behörden teuer werden.

Was die Integration leisten sollte:
Eine moderne Anlagensteuerung gibt Sortierdaten (Materialklasse, Gewicht, Zeitstempel) direkt per API-Schnittstelle an das ERP aus. Für SAP-Umgebungen (im deutschen Entsorgungsmarkt verbreitet) gibt es Middleware-Lösungen, die ANSI/ISA-95-konforme Produktionsdaten in SAP Plant Maintenance und SD-Module schreiben. Das Ergebnis: ElektroG-Berichte entstehen nahezu automatisch aus Echtzeit-Sortierdaten, und die Stiftung-EAR-Meldung wird zur Formsache statt zur Wochenendaufgabe.

Was das in der Praxis erfordert:
Die Anlage muss OPC-UA oder MQTT als Kommunikationsprotokoll unterstützen — der Industriestandard für Machine-to-ERP-Datenfluss. Wer eine TOMRA AUTOSORT- oder ZenRobotics-Installation plant, sollte diese Anforderung früh in die technische Spezifikation schreiben. Nachträgliche Integration ist möglich, aber kostet typisch 30.000–80.000 EUR zusätzlich für Middleware-Entwicklung.

Realistische Warnung: Systemlieferanten verkaufen Sortieranlagen — nicht ERP-Integrationen. Die Verantwortung für die End-to-End-Integration liegt beim Betreiber. Ohne einen internen oder externen Systemintegrator, der sowohl Anlagensteuerung als auch ERP versteht, bleibt der Reporting-Vorteil auf der Strecke.

Vier typische Einstiegsfehler

1. Investition in Erkennungssoftware ohne Förderband-Infrastruktur-Upgrade.
Der häufigste Fehler: Die Anlage bekommt ein teures Kamera-System, aber das Förderband befördert Schüttgut ohne Vereinzelung. Das Ergebnis ist eine KI, die Haufen von übereinanderliegenden Geräten analysiert — und genau das kann sie nicht. Sensorbasierte Sortierung funktioniert nur mit vereinzelten Teilen auf dem Band. Wer an der Band-Infrastruktur spart, verschenkt den Großteil des Erkennungsvorteils.

2. Modell-Training nur auf Labordaten, nicht auf dem eigenen Materialstrom.
Jeder E-Waste-Strom ist anders: Ein kommunaler Wertstoffhof bekommt andere Gerätegenerationen und Mischungsverhältnisse als ein Großhändler-Logistikzentrum oder ein Betrieb, der vorrangig Unternehmens-IT verarbeitet. Ein Modell, das auf einem anderen Materialstrom trainiert wurde, liefert im eigenen Betrieb messbar schlechtere Erkennungsraten. Trainingsphase auf dem eigenen Material ist kein Nice-to-have — sie ist Voraussetzung für den versprochenen ROI.

3. Die Batterie-Gefahr unterschätzen und als letztes Schritt einplanen.
Viele Betriebe planen die allgemeine Materialklassifikation als erstes und die Batterieerkennung als späteres Upgrade. Das ist rückwärts: Batterie-Fehlsortierereignisse sind die akuteste Gefahr für Anlage und Personal. Der erste Schritt sollte die Röntgen-basierte Batterieerkennung sein — nicht nur aus Sicherheitsgründen, sondern weil ein einziger Brandschaden die gesamte Investitionsrechnung für die allgemeine Klassifikation umkehren kann. Korn Recycling hat das richtiggestellt: Erst BatterySort, dann die breitere Fraktionssortierung.

4. Anlagenabnahme ohne spezifischen Materialstrom-Test.
Systemlieferanten nehmen Anlagen typisch mit Standard-Testmaterial ab. Was zählt, ist die Erkennungsrate auf eurem tatsächlichen Materialstrom. Verlangt vertraglich eine Abnahmemessung mit eurem Material über mindestens 20 Betriebsstunden — mit definierten Mindest-Erkennungsraten als Vertragsbestandteil. Ohne diese Klausel habt ihr keinen Hebel, wenn das System im Betrieb schlechter performt als im Demo.

Was mit der Einführung wirklich passiert — und was nicht

Die häufigste Fehlerwartung: “Wir kaufen das System, es läuft, die Sortierer werden weniger.” Das stimmt — aber selten sofort und selten ohne Reibung.

Was wirklich passiert:

In den ersten 4–8 Wochen nach Inbetriebnahme steigt der Betreuungsaufwand typischerweise an, nicht ab. Das System ist neu, Mitarbeitende müssen lernen, welche Alarme ernst zu nehmen sind und welche Fehlklassifikationen systematisch auftreten. Die Anlage muss auf Eigenheiten des Materialstroms nachkalibriert werden. Das ist keine Fehlfunktion — es ist die Einlernphase.

Die Sortierkräfte: Die Reaktion ist selten Ablehnung, öfter Skepsis gegenüber dem Zuverlässigkeitsversprechen. “Das Ding erkennt die alte Siemens-Telefonbaugruppe nicht” — diese Aussage ist häufig berechtigt, weil ältere Gerätegenerationen unterrepräsentiert in den Trainingsdaten sind. Die Lösung ist nicht, das System zu verteidigen, sondern Nachtraining. Schichtführende sollten ermutigt werden, Fehlklassifikationen zu protokollieren — diese Logs sind das Trainingsbudget für die nächste Modell-Version.

Was nicht passiert: Eine vollständige Beseitigung des Personalbedarfs auf der Sortierlinie. Schichtleitungen, Anlagenbediener, Qualitätskontrolle und Fraktions-Prüfung bleiben. Der Personalabbau ist real, aber graduell — keine Betrieb schreddert vier Stellen auf einen Schlag.

Was konkret hilft:

• Einen Anlagenbetreuer benennen, der die Klassifikations-Logs täglich sichtet und wöchentlich auswertet
• Quartalsweise Modell-Reviews mit dem Systemlieferanten vereinbaren
• Sortiererfahrenes Personal aktiv in die Validierungsphase einbinden — sie kennen die Grenzfälle
• Klare Kommunikation: Das System ist kein Ersatz für Beurteilungsvermögen, es ist ein Werkzeug

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Diese Zeitschiene gilt für eine mittlere Anlage mit teilweisem Bestandsinfrastruktur-Aufbau. Reine Nachrüstungen eines bestehenden AUTOSORT können in 8–12 Wochen abgeschlossen sein. Vollneubauten brauchen oft 12 Monate oder mehr.

Häufige Einwände — und was dahintersteckt

„Unsere Sortierkräfte kennen das Material nach Jahren — die KI kann das nicht besser.”
Das ist zum Teil richtig. Erfahrene Sortierkräfte erkennen Grenzfälle besser als ein neu kalibriertes Modell. Der entscheidende Unterschied: Das Modell ermüdet nicht, bleibt nicht im Urlaub und schaut auf 3 Meter Bandmaterial pro Sekunde — kein Mensch hält das stundenlang mit konstanter Qualität durch. Das Ziel ist nicht, erfahrenes Personal zu ersetzen, sondern ihre Expertise in Modell-Validierung und Ausnahmefälle zu verlagern, statt in Schichtstunden auf der Linie.

„Das ist zu teuer für uns.”
Für Betriebe unter 3.000 Tonnen Jahreskapazität: wahrscheinlich korrekt — die Investition ist nicht darstellbar. Für Betriebe zwischen 5.000 und 10.000 Tonnen: die Rechnung hängt am Personalmarkt. Wo Schichtkräfte schwer zu finden und teuer sind, rechnet sich Automatisierung schneller. Wer diese Rechnung noch nicht gemacht hat, sollte das vor dem “zu teuer”-Urteil tun.

„Wir wissen nicht, welches System das richtige ist.”
Das ist ein fairer Einwand — der Markt ist unübersichtlich. Konkrete Empfehlung: Sortiertests bei zwei bis drei Anbietern mit eurem eigenen Material durchführen. TOMRA AUTOSORT, ZenRobotics und REDWAVE XRF bieten alle Testcenter-Dienstleistungen an. Was ihr dabei lernt: welche Erkennungsraten realistisch sind, welche Investition sich wirklich rechnet — und welcher Anbieter eure spezifischen Materialklassen tatsächlich lösen kann.

„ElektroG können wir auch ohne KI einhalten.”
Derzeit ja — mit erheblichem manuellem Aufwand und dem Risiko von Klassifikationsfehlern, die bei Nachfragen teuer werden. Die Frage ist nicht, ob ihr heute compliant seid, sondern ob ihr es bei steigendem Volumen und verschärften Quoten-Anforderungen bleiben wollt. Die WEEE-Revision von 2024 zeigt: Die Sammelquotenziele in der EU werden eher erhöht als gesenkt.

Woran du merkst, dass das zu dir passt

Das passt, wenn:

• Ihr verarbeitet mehr als 5.000 Tonnen Elektroschrott pro Jahr — unterhalb dieser Schwelle ist die Investitionsrechnung in der Regel nicht darstellbar
• Ihr habt wiederholt Brandvorfälle durch Lithium-Ionen-Akkus gehabt — hier ist die Investition in WeSort.AI BatterySort auch bei kleinerem Durchsatz sofort begründbar (Sicherheits-, nicht nur Effizienz-ROI)
• Ihr müsst ElektroG-Verwertungsnachweise dokumentieren und tut das aktuell mit erheblichem manuellem Aufwand — oder hattet bereits Korrekturbedarf bei Behördenmeldungen
• Ihr habt Schwierigkeiten, ausreichend Schichtkräfte für die Sortierlinie zu finden oder zu halten — der Arbeitsmarkt für körperlich belastende, toxisch exponierte Tätigkeiten ist in vielen Regionen angespannt
• Ihr verarbeitet einen PCB-reichen Materialstrom (IT-Geräte, Telekommunikation, Industrieelektronik) und habt das Gefühl, dass werthaltige Fraktionen im gemischten Shredder-Output verschwinden

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

1. Unter 3.000 Tonnen Jahreskapazität. Die Mindestinvestition für eine sinnvolle Sortierautomation liegt bei 150.000–300.000 EUR — ohne Förderband-Infrastruktur. Bei diesem Durchsatz sind die Personalkosten der Sortierlinie und die erlösbaren Metallmengen zu gering, um die Investition in einem vertretbaren Zeitraum zurückzuverdienen. Ausnahme: Batterie-Brandschutz als Safety-Investment, der unabhängig von der allgemeinen Sortier-ROI begründbar ist.

2. Kein Vorbehandlungs-Schritt vorhanden (kein Shredder, keine Größentrennung). KI-Sortierung funktioniert auf vorbehandeltem Material mit relativ einheitlicher Stückgröße. Unsortierter, unkonfektionierter Elektroschrott in Originalform ist für sensorbasierte Sortierung ungeeignet — die Materialienvielfalt pro Erkennungseinheit ist zu groß. Wer keinen Shredder oder keine mechanische Vorbehandlung hat, muss diesen Schritt zuerst einrichten.

3. Keine Systemintegrations-Kompetenz im Haus oder als Dienstleister verfügbar. Eine KI-Sortieranlage ohne ERP-Anbindung liefert bessere Fraktionen — aber die ElektroG-Compliance und der Berichtsaufwand verbessern sich kaum. Wer nicht über interne IT-Ressourcen oder einen Integrations-Dienstleister verfügt, der OPC-UA/MQTT-Schnittstellen in SAP oder ein alternatives ERP-System einbinden kann, wird die volle Wertschöpfung der Investition nicht realisieren.

Das kannst du heute noch tun

Vor jeder Investitionsentscheidung steht die Materialstrom-Analyse. Ohne sie weißt du nicht, welche Fraktionen wie häufig vorkommen, welche Erkennungsrate du brauchst, und welche Systemkonfiguration sich rechnet.

Hier ist ein Prompt, mit dem du die erste Analyse deines eigenen Materialstroms strukturieren kannst:

Quellen & Methodik

• Sammelquote Deutschland 39 % (2021): Umweltbundesamt, „Elektro- und Elektronikaltgeräte”, umweltbundesamt.de (2023); EU-Vergleich Platz 22 ebenda
• Korn Recycling / WeSort.AI Batteriebrand-Reduktion 94 %: EUWID Recycling, „KI-Technologie senkt Brandrisiko bei Korn Recycling” (August 2024); eu-recycling.com, „BatterySort – der KI-Sicherheitscheck für Sortieranlagen”
• ZenRobotics Tokyo / RGS Nordic: ZenRobotics Projektberichte (2023/2024), rgsnordic.com; ZenRobotics-Pressemitteilung über Launch 4.0, bioenergyinternational.com (2024)
• TOMRA GAINnext Erkennungsraten und ROI: TOMRA.com, „New AI Deep Learning Innovation” (2024); TOMRA AUTOSORT Tool-Stub ki-syndikat.de (verifiziert April 2026)
• AMP Robotics / ERI ITAD: ampsortation.com/applications/ewaste; TechCrunch, „Amp Robotics raises $91M” (Dezember 2024)
• ElektroG Verwertungsquoten: ElektroG §22, §23 (aktuelle Fassung); elektrogesetz.de (2026)
• Marktvolumen E-Waste: Invrecovery.org, „E-Waste & ITAD Trends 2025” (2025)
• Kosten und ROI-Werte: Eigene Berechnung auf Basis veröffentlichter TOMRA-, REDWAVE- und WeSort.AI-Anbieterdaten sowie Branchenrichtwerten für Personalkosten (Destatis Verdienstdaten 2024). Keine repräsentative Erhebung — Orientierungswerte.

Du willst wissen, welche Systemkonfiguration für euren Materialstrom und eure Anlagengröße konkret sinnvoll ist — und wie die Investitionsrechnung für euren spezifischen Betrieb aussieht? Das klären wir gerne in einem kurzen Gespräch.