Kunststoff & Gummi

Qualitätsprüfung im Spritzguss erfolgt manuell oder stichprobenartig, Fehler erreichen den Kunden.

Computer-Vision-System analysiert jedes Teil inline, klassifiziert Fehlertypen und leitet Ausschuss automatisch aus.

Fehlerrate beim Kunden von 0,8–1,5 % auf unter 0,2 % gesenkt; 100 % Inline-Prüfung statt 5–10 % Stichprobe.

Pilot: Landing AI / Roboflow (kein Hardware-Setup)Software-only: Maddox AI (DSGVO, bestehende Kamera)Hardware + Software: Cognex / Keyence (alles aus einer Hand)

Manuelle Sichtprüfung im Spritzguss ist unzuverlässig, stichprobenartig und hält Ausschuss nicht zuverlässig vom Kunden fern.

CNN-basierte Computer-Vision-Modelle (Deep Learning) erkennen Fehlertypen in Echtzeit, ohne Taktzeitverlust, mit dokumentierter Prüfhistorie je Bauteil.

Ausschussrate beim Kunden um bis zu 70 % reduziert, 100-Prozent-Prüfung statt Stichprobe, Reklamationskosten erheblich gesenkt.

Landing AI / LandingLens auf eigener Kamera (Pilot)KEYENCE Vision, Komplettsystem mit lokalem SupportCognex ViDi, Automotive IATF-Rückverfolgbarkeit

Rezepturen liegen in Excel-Dateien, PDF-Scans und Notizzetteln, Wissen geht beim Mitarbeiterwechsel verloren und REACH-Dokumentationspflichten lassen sich kaum nachweisen.

OCR + NLP extrahiert Rezepturbestandteile, strukturiert sie nach einheitlichem Schema und speichert in zentraler Datenbank mit Versionierung und Suchabfragen.

Rezepturabruf von 15–45 Min. Suche auf unter 1 Min.; Reproduzierbarkeit gesichert; REACH/SVHC-Nachweispflichten erfüllbar ohne manuellen Mehraufwand.

Notion + Notion AI (kein Entwickler nötig)OCR-Extraktion + strukturierte Datenbank (Azure/Google)Branchenspezifisches LIMS (CompoundingCloud)

Neue Compounds entstehen durch aufwändige, kostspielige Versuchsreihen im Labor, systematisches Wissen aus Tausenden früherer Versuche bleibt in Excel-Tabellen begraben.

Bayesian Optimization und Gradient-Boosting-Regressionsmodelle trainieren auf der Formulierungshistorie des Unternehmens und sagen voraus, welche Rohstoffkombinationen die gewünschten Eigenschaften liefern werden.

Entwicklungszeit neuer Rezepturen von Monaten auf Wochen verkürzt; bis zu 70 % weniger Laborversuche durch Priorisierung hochwahrscheinlicher Kandidaten.

ChatGPT / Claude zur Datenstrukturierung (kein Setup)Azure ML auf eigener InfrastrukturPolymerize (spezialisierte Polymer-KI)

Qualitätsprüfer tippen Messergebnisse manuell in Protokollformulare, zeitaufwändig und fehleranfällig.

Messdaten-Integration + KI-Protokollgenerator erstellt normkonforme Prüfdokumentationen automatisch.

Protokollierungszeit von 45 Min. auf 8 Min. pro Charge reduziert; Fehlerquote in Dokumenten unter 0,5 %.

Messdaten-Integration + automatische Protokollgenerierung

Wenn eine Spritzgussmaschine unerwartet stillsteht, suchen Techniker in Papierstapeln, rufen den Maschinenhersteller an oder warten auf den erfahrenen Kollegen, und die Maschine steht.

Ein RAG-Assistent indexiert alle Maschinenunterlagen, Störungsprotokolle und Wartungshistorien und beantwortet konkrete Techniker-Fragen quellengenau in Echtzeit.

Störungsbehebung in 2–10 Minuten statt 30–180 Minuten; Wissensverlust bei Personalwechsel minimiert; Wartungswissen rund um die Uhr verfügbar.

ChatGPT / Claude direkt (kein Setup)Microsoft 365 Copilot auf SharePointCustom RAG auf eigener Infrastruktur

Spritzgusswerkzeuge werden nach festen Schusszahl-Intervallen gewartet, unabhängig vom tatsächlichen Verschleiß. Ungeplante Ausfälle kosten 23.000 € pro Ausfall (Schrott + Stillstand).

Gradient-Boosting-Modell (XGBoost) kombiniert Schusszahl, Prozessparameter (Formtemperatur, Schließkraft, Nachdruck) und Ausschusstrend für dynamische, datensichere Wartungsempfehlungen.

Ungeplante Ausfälle um 60 % reduziert; Werkzeuglaufzeit um 15 % verlängert; Wartungskosten um 20 % gesunken; Planbarkeit der Produktion verbessert sich.

Maschinenintegration + eigenes ML-Modell (Azure ML / BigQuery ML)No-Code-Lösung via DataRobotHerstellermodul direkt (Arburg Alskey / Engel Authentig)

Extruder laufen mit historisch gewachsenen Einstellungen: Thomas dreht die Temperatur hoch, weil er das seit 20 Jahren so macht. Der Stromzähler läuft, die Gewinnmarge schmilzt.

Reinforcement Learning mit Bayes-Optimierung: Das System beobachtet kontinuierlich Strom, Temperatur, Durchsatz und Ausschussrate, identifiziert, welche Parameteränderung Energie spart, und empfiehlt Justierungen in Echtzeit, über die MES-Schnittstelle oder eine Bedienoberfläche.

12–18 % Energieeinsparung = 40.000–90.000 € pro Jahr je nach Anlagengröße; ROI in 8–18 Monaten; Einsparung messbar auf der nächsten Stromrechnung.

Datenanalyse mit CSV-Upload (ChatGPT/Claude)Cloud-ML-Plattform (Azure ML, BigQuery ML)Custom Reinforcement Learning + Bayes Optimization

Anwendungstechnikerinnen und Anwendungstechniker beantworten dieselben acht Materialfragen 40-mal pro Woche, Medienbeständigkeit, Shore-Härte, HDT-Werte, Glasfaserverstärkung. Jede Anfrage kostet 45 Minuten Recherche in verteilten Datenblättern.

RAG-System über eigene Compound-Daten: Datenblätter, Prüfberichte, Feldberichte werden vektoriell indexiert. Anwendungstechniker erhalten in Sekunden quellengebundene Antworten, mit explizitem Eskalationspfad, wenn die Datenlage fehlt oder widersprüchlich ist.

Erstantwortzeit von 45 auf 22 Minuten halbiert. 35 % der Standardanfragen vollständig vom System beantwortet. Anwendungstechniker gewinnen 8–10 Stunden pro Woche für komplexe Projekte.

NotebookLM für ersten MachbarkeitstestLlamaIndex + Qdrant + Azure OpenAIHaystack + Weaviate für Enterprise-Setup

PE/PP/PVC/PET-Preise schwanken monatlich um 10–20 Prozent. Einkäufer verpassen günstige Zeitfenster, weil Distributor-Quotes bis zu vier Wochen hinterherhinken.

Ein Monitoring-System aggregiert mehrere Preisquellen, Börsenindizes, Distributor-APIs und Spotkurse, und meldet per Alert, sobald ein Rohstoff den konfigurierten Kaufschwellenwert unterschreitet.

Reaktionszeit auf günstige Preislagen von Tagen auf Stunden reduziert; bei 500.000 € Einkaufsvolumen bis zu 4–7 % Materialkosteneinsparung messbar.

Market-Intelligence-System / Preis-Alert-Automatisierung

Bei einer Reklamation eines Automotive-OEM müssen 5–10 Datenquellen manuell zusammengeführt werden, das dauert Stunden und ist fehleranfällig.

Ein KI-gestütztes Aggregationssystem verbindet MES, LIMS, ERP und Etikettendrucker per OPC-UA und REST, parst Materialzertifikate per OCR und NLP (Azure Document Intelligence) und erzeugt auf Knopfdruck ein auditierbares Chargendossier.

Chargenprotokoll in unter 5 Minuten abrufbar; Audit-Anfragen in 30 Minuten vollständig beantwortet; keine manuellen Übertragungsfehler mehr.

ChatGPT/Claude für manuellen Pilot-DossierGFOS MES + Azure Document IntelligenceSAP Digital Manufacturing oder Tulip

Normänderungen bei REACH, RoHS, PFAS und EN/ISO-Normen werden oft zu spät bemerkt, Produkte sind bereits ausgeliefert, wenn eine Abweichung auffällt.

Normen-Monitoring-KI nutzt NLP zur automatischen Extraktion relevanter Substanzen aus Sicherheitsdatenblättern, gleicht sie gegen aktuelle Regulierungsdatenbanken (ECHA, EUR-Lex) ab und schlägt bei Statuswechsel sofort Alarm.

Normverstöße 4–8 Wochen früher erkannt; Audit-Vorbereitung von 5 Tagen auf 1–2 Tage reduziert; Rückrufrisiko messbar gesenkt.

ChatGPT/Claude für Regulierungstext-AnalyseGLOBALnorm Standards für Normen-MonitoringDataCross oder EcoComply für Materialien

Werkzeugwechsel dauern 2–4 Stunden und variieren stark je nach Schicht und Bediener, systematische Verbesserungen fehlen.

KI wendet Zeitreihenanalyse und Clustering auf historische Rüstprotokolle an, identifiziert die zeitintensivsten Einzelschritte schichtgenau und schlägt optimierte Werkzeugwechsel-Reihenfolgen nach Werkzeugfamilien vor.

Rüstzeit um 20–35 % reduziert; Schichtvarianz halbiert; Schulungszeit für neue Bediener um 40 % kürzer.

Digitale RüstchecklistenSMED-Analyse mit ZeitstempelnKI-Reihenfolge-Optimierung

Kunden und Großabnehmer fordern CO₂-Deklarationen je Produkt. Belastbare Zahlen setzen Lieferantendaten voraus, die zu 80 Prozent als PDFs und E-Mails ankommen, unstrukturiert, inkonsistent, oft mit falschen Systemgrenzen.

LLM-gestützte Extraktion von Emissionsfaktoren aus Lieferantendeklarationen, SDSs und Zertifikaten, automatisch abgeglichen mit ecoinvent und PlasticsEurope-Datenbanken, ergibt belastbare PCF-Werte ohne manuelle Eingabe.

PCF-Berechnung je Produktfamilie: Aufwand von 3–5 Wochen auf 1–2 Tage reduziert; ISO-14067-konforme Deklarationen auf Knopfdruck; Scope-3-Datenlücken transparent dokumentiert statt verschwiegen.

PCF-Berechnung mit DatenbankKI-Extraktion aus LieferantendokumentenCarbon-Accounting mit ISO-14067-Report

Schichtleiter verbringen 30–60 Minuten täglich mit dem Zusammenstellen von Produktionskennzahlen aus verschiedenen Systemen.

LLM-basiertes Reportingsystem aggregiert MES-, ERP- und Maschinendaten und generiert strukturierte Tages- und Wochenberichte automatisch in natürlicher Sprache.

Tagesbericht in 5 Minuten statt 45 Minuten; Abweichungen sofort sichtbar; Schichtleiter frei für Produktionsoptimierung.

LLM-Schichtbericht aus RohdatenMES-Reporting mit OEE-AuswertungCloud-MES mit KI-Synthese

Bei 50–200 Sendungen pro Monat kostet jede manuelle ATLAS-Ausfuhranmeldung 1–2 Stunden, fehlerhafte HS-Codes oder fehlende REX-Nummern verursachen Zollverzögerungen und Bußgelder bis 30.000 € pro Vorgang.

NLP-gestützte Middleware verbindet SAP-Materialstamm direkt mit ATLAS: Deklarationsfelder werden automatisch befüllt, HS-Codes gegen die amtliche Nomenklatur geprüft, REX-Erklärungen aus Adressstammdaten generiert.

Bearbeitungszeit je Ausfuhranmeldung von 60–90 Minuten auf 15–30 Minuten reduziert; Fehlerrate bei Zolltarifnummern messbar gesenkt; Skalierung auf 200+ Sendungen ohne Personalaufbau möglich.

ATLAS-Middleware mit ERP-AnbindungHS-Code-Validierung gegen NomenklaturVollintegration mit Exportkontroll-Screening

Materialentscheidungen beruhen auf Erfahrungswerten einzelner Personen, unkritisch übernommenen LLM-Ausgaben oder nicht-vergleichbaren Herstellerdatenblättern, mit Folgen in der Produkthaftung.

LLM-gestützte Anforderungsformulierung kombiniert mit normgerechter Datenbankfilterung in CAMPUS, UL Prospector und Granta MI: LLM strukturiert das Anforderungsprofil, die Datenbank liefert ISO-normierte Vergleichskennwerte, REACH/RoHS-Vorabprüfung und dokumentierte Auswahlbegründung inklusive.

Materialauswahl von 1–2 Wochen auf 1–2 Tage verkürzt; Fehlauswahlen durch inkonsistente Daten reduziert; belastbare Dokumentation für Produkthaftung und Bauteilfreigabe.

Normgerechte MaterialdatenbankKI-Anforderungsprofil + DatenbankfilterEnterprise-Plattform mit REACH-Screening

Zykluszeiten werden einmalig eingestellt und selten systematisch angepasst, 6–18 % Optimierungspotenzial liegt ungenutzt in den Maschinendaten.

Bayes'sche Optimierung auf Kavitätsdruck- und Maschinendaten identifiziert Parameteranpassungen für kürzere Zykluszeiten, mit Qualitätskennzahlen als harte Nebenbedingung, sodass Ausschussrate und Schussgewicht im Zielbereich bleiben.

Zykluszeit um 6–12 % reduziert; Kapazität ohne Neuinvestition erhöht; Einrichter-Erfahrungswissen in Daten überführt.

OPC-UA-Datenanalyse ohne SensorenKavitätsdrucksensorik mit ML-ModellAdaptive Closed-Loop-Regelung pro Zyklus

Farbabweichungen zwischen Masterbatch-Chargen entstehen durch Pigmentschwankungen, Dosierungsfehler und Thermochromie-Effekte, und werden oft erst beim Kunden entdeckt.

Inline-Spektrophotometer liefern kontinuierliche Spektralkurven; ein Gradient-Boosting-Modell lernt aus historischen Chargendaten die Drift-Muster je Masterbatch-Lot und schlägt Dosierkorrekturen vor, bevor die ΔE-Abweichung den Grenzwert überschreitet.

Reklamationen durch Farbfehler deutlich reduziert; Masterbatch-Verschnitt bei Farbwechseln um bis zu 80 % gesenkt; lückenlose Chargendokumentation für Automotive- und Retail-Kunden.

Inline-Farbsensor mit AlarmfunktionSpektrophotometrie mit ΔE-AuswertungML-gestütztes Farbmanagement mit Dosierregelung

Ein sauberes COA reicht nicht als Qualitätsnachweis: Polypropylengranulat mit korrektem Zertifikat kann inkonsistenten MFI liefern, und der Zusammenhang zum Lieferantenwechsel wird erst nach Wochen steigendem Ausschuss sichtbar.

NLP-gestützte KI parst Analysezertifikate automatisch, gleicht Chargenparameter gegen Spezifikationsgrenzen ab und erzeugt Lieferanten-Scorecards mit statistischer Trend-Erkennung, sodass Driften beim MFI oder anderen Parametern sichtbar werden, bevor sie zu Produktionsfehlern führen.

Reaktionszeit bei Qualitätsproblemen von 2–4 Wochen auf 2–5 Tage verkürzt; COA-Erfassung von 45 Minuten täglich auf unter 10 Minuten; Lieferantenaudits mit belastbaren Trenddaten statt Bauchgefühl vorbereitet.

COA-Parser mit SpezifikationsprüfungLieferanten-Scorecard mit Trend-ErkennungSQM-System mit ML-gestützter Driftanalyse

Ausschussraten von 3–8 % werden als unvermeidlich akzeptiert, die Ursachen sind bekannt, aber der Zusammenhang mit Parametern nicht dokumentiert.

ML-Modell verknüpft Ausschussdaten mit Maschinendaten, Materialchargen und Umgebungsbedingungen und priorisiert Ursachen nach Einfluss.

Ausschussrate um 30–50 % gesenkt; Ursache-Wirkung-Zusammenhänge erstmals systematisch dokumentiert; Materialkosten um 2–5 % reduziert.

Statistische Prozesskontrolle (SPC)KI-Sichtprüfung mit FehlerklassifikationML-Root-Cause-Analyse auf Produktionsdaten

Belegungsplanung für 5–20 Spritzgussmaschinen wird manuell in Excel erstellt, Änderungen durch Eilaufträge erfordern stundenlange Neuplanung.

Constraint-Programming-Algorithmus mit heuristischer Optimierung plant Maschinenbelegung unter Rüstzeitminimierung, Lieferterminpriorität und Werkzeugverfügbarkeit automatisch.

Planungszeit von 2–4 Stunden auf 20 Minuten reduziert; Maschinenauslastung um 8–12 % verbessert; Termintreue um 15–20 % gesteigert.

Strukturierter Excel-Plan mit RüstmatrixERP-integriertes Scheduling-ModulAPS mit Constraint-Optimierung

Bei größeren Werkzeugparks (50+ Werkzeuge) verliert die manuelle Wartungsplanung die Übersicht, Kollisionen und vergessene Wartungsintervalle häufen sich, bis ein Ausfall die Produktion stoppt.

Regelbasierte KI mit schussbasierter Auslöselogik (Schwellenwert-Algorithmus + ML-Prognose aus Wartungshistorie) verwaltet alle Wartungsintervalle, Schusszähler, Reparaturstatus und Maschinenkalender und erzeugt konfliktfreie Wartungspläne automatisch.

Ungeplante Werkzeugausfälle durch versäumte Wartung nahezu eliminiert; Notfallreparaturquote von typisch 50–70 % auf 20–30 % senkbar; Reaktionszeit bei Werkzeugproblem von 2–4 Stunden auf unter 30 Minuten reduziert.

Digitale Werkzeugakte (Mould Lifecycle Management)CMMS mit manueller SchusszählerpflegeCMMS mit PLC-Anbindung und ML-Prognose

Post-Consumer-Rezyklate schwanken stark in Zusammensetzung, Viskosität und Fremdstofffracht, manuelle Wareneingangskontrolle erkennt kritische Chargen zu spät und verursacht Maschinenstopps oder Ausschuss.

NIR-Inline-Sensoren an Einzugszone oder Dosierwaage liefern Spektren in Echtzeit; ein ML-Klassifikationsmodell erkennt Polymersorte, Anteil Fremdpolymere und Feuchtegehalt und steuert Dosierparameter automatisch nach.

Fremdstoff-bedingte Ausschussereignisse um 60–80 % reduziert; Maschinenstandzeiten durch fehlerhafte Chargen nahezu eliminiert; Rezyklat-Anteil nachweislich dokumentiert für EU-Verpackungsverordnung (PPWR).

NIR-Handgerät am WareneingangNIR-Inline-Sensor mit Chemometrie-ModellInline-NIR mit automatischer Dosierregelung

Jeder Maschinenstart produziert eine schwer kalkulierbare Menge Ausschuss, besonders bei teuren Spezialcompounds, langen Verweilzeiten oder Farbwechseln. Das nötige Erfahrungswissen liegt im Kopf einzelner Einrichter.

Gradient-Boosting-Modell (XGBoost / Random Forest) analysiert historische Anfahrprotokolle, Maschinenparameter und Qualitätsdaten und empfiehlt für jede Werkzeug-Material-Kombination den kürzesten Anfahrpfad mit dem geringsten Ausschussrisiko.

Anlaufausschuss um 40–60 % reduziert; Materialkosten bei Spezialcompounds um 15–30 % gesenkt; Einrichter-Know-how in das System überführt und gegen Fluktuation gesichert.

Rezeptempfehlung aus MaschinendatenML-Anfahroptimierung mit OPC-UAOEM-Suite mit adaptiver Regelung (iQ)

Klassische Moldflow-Simulationen dauern 4–8 Stunden je Lauf; Bindenähte, Einfallstellen und Verzug werden häufig erst am physischen Muster entdeckt, wenn Werkzeugkorrekturen schon Zehntausende Euro kosten.

Graph-Neural-Network- und Gradienten-Boosting-Surrogatmodelle, trainiert auf historischen Simulationsdaten, liefern Vorhersagen für neue Parameterkombinationen in 2–5 Minuten; kritische Bereiche werden automatisch markiert und Alternativkonfigurationen vorgeschlagen.

Simulationsiterations-Zeit um 60–80 % reduziert; Anzahl physischer Musterabzüge um 30–50 % gesunken; Werkzeugkorrekturen früher und deutlich günstiger behoben.

Varimos-Modul auf bestehender CadmouldML-Surrogatmodell auf Moldflow-DatenGraph Neural Network mit PhysicsNeMo

Die ECHA SVHC-Kandidatenliste wächst halbjährlich; manuelle Abgleiche von Rezepturen gegen aktuelle Regulierungslisten sind fehleranfällig, aufwändig und skalieren nicht mit wachsendem Produktportfolio.

KI-System gleicht Rohstoffbezeichnungen und CAS-Nummern aus Rezepturen und SDSs automatisch gegen aktuelle SVHC-Liste, REACH-Anhang XIV/XVII und US-TSCA ab, mit Konfidenzscores und Quellverweisen je Treffer.

Prüfaufwand je Produkt von 2–4 Stunden auf unter 10 Minuten reduziert; Compliance-Lücken vor Exportprüfung erkannt; Audit-Trail automatisch dokumentiert.

KI-Basischeck mit ECHA-Liste (ChatGPT/Claude)SaaS-Compliance mit SCIP-ConnectorEnterprise-Integration in SAP/PLM