Materialrezepturen strukturiert dokumentieren

Das echte Ausmaß des Problems

In der Kunststoffverarbeitung ist das Rezeptur-Chaos kein Randproblem, sondern der Normalfall. Eine Befragung von 266 deutschen Industrieunternehmen ergab, dass 76 Prozent massiven Wissensverlust aufgrund von Stellenwechseln beklagen (Quiply/Bitkom, 2023). Parallel dazu prognostiziert das Institut der deutschen Wirtschaft (IW): Bis 2036 erreichen fast 20 Millionen Erwerbstätige das Renteneintrittsalter — in der Compoundiertechnik, wo Rezepturexpertise über Jahrzehnte aufgebaut wird, ist das eine strukturelle Gefahr.

In der Compoundiertechnik trifft das besonders hart: Ein PA-Compound mit Glasfaserverstärkung, Flammschutz und Farbmasterbatch hat leicht 12–18 Parameter, die gemeinsam über Verarbeitungsfenster, mechanische Eigenschaften und optisches Erscheinungsbild entscheiden.

Das Kernproblem: Rezepturwissen entsteht in Iterationen — Laborversuche, Produktionsläufe, Korrekturen durch Rohstoffwechsel. Jede Anpassung hat eine Geschichte. Excel-Dateien speichern Zahlen, aber keine Geschichte. Wenn nach einem Mitarbeiterwechsel nur die letzte Excel-Zeile bleibt, ist die Geschichte weg.

Konkret bedeutet das für Compoundierer und Spritzgussbetriebe:

• Reproduzierbarkeitsprobleme bei Chargen nach Rohstofflieferanten- oder Chargenwechseln, weil die ursprüngliche Rezeptur nicht mehr vollständig bekannt ist
• Rüstfehler beim Anfahren einer Anlage nach längerer Pause oder Maschinenumrüstung, weil Anfahrparameter mündlich überliefert wurden
• REACH-Nachweislücken: Art. 33 REACH verlangt, SVHC-Anteile (>0,1 Massenprozent) in Erzeugnissen auf Kundennachfrage nachzuweisen — ohne dokumentierte Rezepturen ist das faktisch unmöglich
• Verschwendete Wiederentwicklungszeit: Laut einer Kalkulation von agorum.com kostet die manuelle Dokumentation von 200 Rezepturanpassungen pro Jahr etwa 400 Arbeitsstunden — rund 12.000 Euro jährlich allein im Dokumentationsaufwand, ohne die Kosten für Fehler und Neuaufwand zu berücksichtigen

Die eigentlichen Kosten entstehen dabei nicht im Alltag, sondern in Ausnahmesituationen: Mitarbeiterwechsel, Reklamationen, Rohstoffengpässe, Neuanlaufprüfungen. Ein einziger Produktionslauf, der neu kalibriert werden muss, weil die Dokumentation fehlt, übersteigt oft die Einrichtungskosten einer strukturierten Lösung.

Mit vs. ohne KI — ein ehrlicher Vergleich

Der Zeitgewinn im Alltag ist real, aber nicht riesig — die Suche nach Rezepturen nimmt vielleicht 30–60 Minuten täglich in Anspruch. Der eigentliche Wert liegt in den Ausnahmesituationen: dem Mitarbeiterwechsel, der Reklamation, der Neuzulassungsprüfung beim Kunden.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Täglich spart eine strukturierte Rezepturdatenbank etwa 30–60 Minuten, die sonst in der Ordnersuche, in Versionsdiskussionen oder in der Klärung mit Kollegen stecken. Das ist relevant, aber nicht der größte Hebel in dieser Branche — KI-gestützte Rezepturoptimierung für Compounds etwa schafft Zeitgewinne in der Entwicklung, die deutlich größer sind. Der echte Wert dieser Lösung liegt nicht im täglichen Suchaufwand, sondern im Schutz vor Wissensverlust — einem Ereignis, das einmalig, aber kostspielig ist.

Kosteneinsparung — niedrig (2/5) Die Einrichtung kostet 8.000–20.000 Euro plus laufende Lizenzkosten. Die direkte Kosteneinsparung im Betrieb — weniger Suchzeit, weniger manuelle Dokumentation — liegt im vierstelligen Jahresbereich. Das rechtfertigt die Investition nicht alleine. Was sie rechtfertigt, ist die Risikoreduktion: ein einzelner Produktionslauf, der wegen fehlender Dokumentation neu kalibriert werden muss, kann 10.000–50.000 Euro kosten. Diese Abwägung ist real, aber schwerer in eine saubere ROI-Rechnung zu übersetzen.

Schnelle Umsetzung — hoch (4/5) Das ist technisch kein komplexes KI-Projekt. OCR-basierte Extraktion vorhandener Dokumente, Eintrag in eine strukturierte Datenbank, Freigabeworkflow — das ist in 4–6 Wochen pilotierbar. Verglichen mit der Fehleranalyse im Spritzguss per Bildauswertung (Kamerainfrastruktur, Modelltraining) ist dieser Use Case deutlich schneller zugänglich. Voraussetzung: die Rezepturen liegen wenigstens in irgendeiner digitalen Form vor, auch wenn unstrukturiert.

ROI-Sicherheit — mittel (3/5) Der Nutzen ist real, aber schwer zu einem konkreten Euro-Betrag zu verdichten. Wer keine Personalfluktuation hat und solide Excel-Strukturen führt, wird wenig Unterschied merken. Wer in einer Wachstumsphase ist, viele Rohstoffwechsel managt oder unter Zertifizierungsdruck steht, merkt den Unterschied stark — aber genau dann, wenn man vorher nicht gemessen hat. Das macht die ROI-Vorhersage unsicher.

Skalierbarkeit — hoch (4/5) Einmal aufgebaut, wächst das System gut mit: neue Materialgruppen, neue Standorte, neue Mitarbeitende. Der Indexierungsaufwand steigt proportional mit den Rezepturen, aber nicht mehr als das. Eine branchenspezifische Lösung wie CompoundingCloud wächst auch mit dem Produktionsvolumen mit — Prüfprotokolle, Chargendaten und Rezepturen laufen in einem System zusammen.

Richtwerte — stark abhängig von Unternehmensgröße, Rezepturkomplexität und aktueller Dokumentationssituation.

Was das System konkret macht

Der technische Kern besteht aus drei Schritten, die in Kombination aus Dokumentenchaos eine durchsuchbare Wissensbasis machen:

Schritt 1: OCR und strukturierte Extraktion Vorhandene Rezepturdokumente — Handschriften auf Produktionskarten, Excel-Exporte, PDF-Laborberichte, eingescannte Chargendokumente — werden mit Azure Document Intelligence oder Google Document AI verarbeitet. Beide Tools können für kunststoffspezifische Felder trainiert werden: Rohstoff-Identifikation, Mengenangaben, Verarbeitungstemperaturen, Additivkonzentrationen, Freigabevermerke. Das Ergebnis ist ein strukturierter Datensatz, kein freier Text.

Eine wichtige Einschränkung hier: Gedruckte und sauber gescannte Dokumente erreichen OCR-Genauigkeiten von 95 Prozent und mehr. Handschriftliche Produktionskarten aus den 1990er und 2000er Jahren — häufig der älteste und kritischste Dokumentenbestand — fallen auf 60–75 Prozent zurück, wenn Scan-Qualität und Handschrift ungünstig zusammentreffen. Das bedeutet: Alles, was per OCR extrahiert wird, muss von einer Fachkraft gegengecheckt werden, bevor es als produktive Rezeptur gilt. Plant dafür in der Einführungsphase bewusst Kapazität ein.

Schritt 2: Datenanreicherung mit Sprachmodell Ein LLM (beispielsweise über ChatGPT per API oder Claude) übernimmt den nächsten Schritt: Es vergleicht die extrahierten Daten mit Lieferanten-Datenblattstammdaten, schlägt standardisierte Bezeichnungen vor, identifiziert fehlende Pflichtfelder und erzeugt — wenn nötig — eine Zusammenfassung der Rezepturhistorie aus mehreren Versionen. Das ist kein autonomer Schreibvorgang, sondern ein Vorschlagsprozess: Eine Fachkraft bestätigt, was übernommen werden soll.

Schritt 3: Strukturierte Datenbank mit Versionierung Die normalisierten Daten landen in einer Rezepturdatenbank mit Freigabefluss, Versionskontrolle und Suchabfragen. Das kann eine branchenspezifische Software wie CompoundingCloud sein, ein LIMS wie FP-LIMS, oder auch eine gut strukturierte Notion-Datenbank für kleinere Betriebe. Entscheidend ist: jede Version ist mit einem Zeitstempel, einer Freigabenotiz und einer Änderungsbeschreibung hinterlegt — nicht nur die aktuelle.

Was das System nicht macht: Es erfindet keine Rezepturen, entscheidet keine Rohstoffwechsel und optimiert keine Compound-Parameter. Dafür ist die KI-gestützte Rezepturoptimierung für Compounds der richtige Ansatz.

REACH, SVHC und die SCIP-Datenbank: Dokumentationspflichten, die keine Wahl lassen

Strukturierte Rezepturdokumentation ist für Kunststoffverarbeiter nicht nur eine Effizienzfrage, sondern eine rechtliche Notwendigkeit.

Seit dem 5. Januar 2021 müssen Unternehmen, die Erzeugnisse mit SVHC-Stoffen (besonders besorgniserregende Substanzen der REACH-Kandidatenliste) in einer Konzentration über 0,1 Massenprozent in der EU in Verkehr bringen, diese Informationen an die SCIP-Datenbank der ECHA melden. Die ECHA hat die Kandidatenliste im Februar 2026 erneut um zwei Stoffe erweitert — sie wird kontinuierlich fortgeschrieben.

Für Compounds bedeutet das konkret: Wenn ein Flammschutzmittel, ein Weichmacher oder ein Pigment auf der Kandidatenliste steht und in einem Compound über diesem Schwellenwert vorkommt, muss das gemeldet werden. Ohne dokumentierte Rezepturen mit Massenanteilen ist das schlicht nicht möglich.

Zusätzlich schreibt Art. 33 REACH vor, dass Lieferanten ihre Kunden unaufgefordert über SVHC-Gehalte informieren müssen, wenn der Gehalt 0,1 Massenprozent übersteigt. Das setzt voraus, dass ihr selbst wisst, was in euren Compounds steckt — dokumentiert und abrufbar.

Weniger bekannt, aber für Compounds ebenso relevant: REACH Anhang XVII enthält über 70 Einträge mit Beschränkungen für bestimmte Stoffe, Gemische und Erzeugnisse — darunter konkrete Konzentrationsgrenzen für Substanzen, die in Weich-PVC, PA-Compounds, flammgeschützten Erzeugnissen oder Pigmenten auftreten können. Diese Beschränkungen greifen unabhängig von der Kandidatenliste und erfordern ebenfalls einen lückenlosen Nachweis der Rezepturzusammensetzung. Ein pauschales “wir sind REACH-konform” ist ohne strukturierte Rezepturdokumentation rechtlich nicht haltbar.

Eine KI-gestützte Rezepturdatenbank löst dieses Problem, indem jedes Compound automatisch gegen die aktuelle Kandidatenliste abgeglichen werden kann. Die Grundvoraussetzung für einen automatisierten REACH-Abgleich ist eine vollständige, strukturierte Rezepturdokumentation.

Rezeptur-Vertraulichkeit: Cloud oder On-Premise?

Compound-Rezepturen sind oft der wertvollste immaterielle Vermögenswert eines Compoundierers. Die Frage, ob diese Daten in einer Cloud-Plattform gespeichert werden, ist deshalb nicht nur eine DSGVO-Frage, sondern eine Frage des Betriebsgeheimnisschutzes.

Drei Optionen im direkten Vergleich:

Cloud-SaaS (CompoundingCloud, Airtable, Notion): Schneller Einstieg, kein Infrastrukturaufwand, automatische Updates. Risiko: Rezepturinformationen liegen auf Servern eines Dritten. Abhängig von den Vertragsbedingungen und Sicherheitsmaßnahmen des Anbieters. Für viele Betriebe akzeptabel — aber die Entscheidung sollte bewusst getroffen, nicht einfach vollzogen werden.

EU-Cloud mit starker Datentrennung (Azure Document Intelligence in EU-Region, CompoundingCloud EU): Beste Balance aus Verfügbarkeit und Kontrolle. Daten verlassen die EU nicht, Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO ist Pflicht. Für die meisten mittelständischen Betriebe die sinnvolle Wahl.

On-Premise oder Air-Gapped: Maximale Kontrolle, aber erheblicher IT-Aufwand. Sinnvoll für Betriebe mit sehr sensitiven Rezepturen (Hochleistungscompounds für Medizin oder Luft- und Raumfahrt), die Geheimhaltungsverträge mit Abnehmern haben und selbst entscheiden müssen, ob Lieferanten-APIs aufgerufen werden dürfen.

Die praktische Empfehlung: Für die OCR-Verarbeitung bestehender Papierdokumente reicht meist EU-Cloud. Für die zentrale Rezepturdatenbank mit produktiven Rezepturen solltet ihr die On-Premise-Option zumindest prüfen — und die Entscheidung dokumentieren.

Konkrete Werkzeuge — was wann passt

Die richtige Lösung hängt davon ab, wie viele Rezepturen ihr habt, wie komplex sie sind und wie viel IT-Kapazität vorhanden ist.

CompoundingCloud — Wenn ihr Compounder oder Rezyklat-Hersteller seid und eine vollintegrierte Lösung wollt, die Rezepturverwaltung, LIMS, Wareneingangsprüfung und Qualitätsberichte in einem System verbindet. Entwickelt von Branchenpraktikern, deutschsprachig, EU-gehostet. Einführung dauert typisch 4–8 Wochen. Preis: ab 149 Euro/Nutzer/Monat, mindestens 5 Nutzer. Für Betriebe ab ca. 20 Mitarbeitenden und mehr als 80 aktiven Rezepturen die stärkste Empfehlung.

Azure Document Intelligence — Wenn ihr vorhandene Papierdokumente, Handschriften und PDF-Scans in strukturierte Daten überführen wollt. Mit Custom-Modell-Training auf eure spezifischen Formulare trainierbar. EU-Region verfügbar (West Europe). Erfordert Entwickler-Ressourcen, liefert aber sehr hohe Extraktionsqualität auch bei schlecht strukturierten Dokumenten. Preis: ab ca. 1,50 USD/1.000 Seiten (OCR), Custom Models ca. 10 USD/1.000 Seiten. Als Ergänzung zu CompoundingCloud oder einer Eigenentwicklung sinnvoll.

Google Document AI — Ähnlich wie Azure Document Intelligence, mit ebenfalls hochpräziser OCR und Custom-Extractor-Möglichkeit. EU-Region verfügbar (Frankfurt). Technisch vergleichbar, die Wahl zwischen beiden hängt meist von der bestehenden Cloud-Infrastruktur ab.

Notion + Notion AI — Für Betriebe mit 15–30 Mitarbeitenden und weniger als 80 Rezepturen, die keine branchenspezifische Lösung amortisieren. Notion ermöglicht eine strukturierte Rezepturdatenbank mit relationalen Verknüpfungen (Rohstoffe, Lieferanten, Chargen), Notion AI kann aus freiem Text strukturierte Felder extrahieren und Suchabfragen auf den Datenbankinhalt beantworten. Kein spezialisiertes Tool, aber für den Einstieg überraschend leistungsfähig — und deutlich günstiger. Einschränkung: Daten liegen standardmäßig in US-Rechenzentren; für produktive Rezepturinformationen AVV prüfen.

ChatGPT (Enterprise) / Claude für Textstandardisierung — Als einmaliges Werkzeug für die Migrationsphase: Wenn ihr Hunderte Excel-Datensätze in ein einheitliches Schema überführen wollt, kann ein Sprachmodell die Normalisierung (einheitliche Benennung von Rohstoffen, Umrechnung von Mengeneinheiten, Zuordnung von CAS-Nummern) drastisch beschleunigen. Kein Dauerbetrieb-Tool, aber für die Einführungsphase erheblich zeitsparender als manuelle Aufbereitung.

Zusammenfassung: Wann welcher Ansatz

• Compounder mit >80 Rezepturen, Laboranbindung gewünscht → CompoundingCloud
• Papierdokumentation digitalisieren → Azure Document Intelligence oder Google Document AI
• Kleines Unternehmen, niedriger Einstiegsaufwand → Notion + Notion AI
• Einmalige Datenmigration aus Excel → ChatGPT Enterprise oder Claude

Datenschutz und Datenhaltung

Compound-Rezepturen sind personenbezogene Daten im Sinne der DSGVO nur in Ausnahmefällen — typischerweise dann, wenn Mitarbeiternamen als Entwicklungsverantwortliche in den Rezepturen hinterlegt sind. Das DSGVO-Risiko ist also begrenzter als bei HR- oder Kundendaten. Das Datenschutzproblem ist ein anderes: Rezepturen sind Betriebsgeheimnisse — und das Schutzniveau muss diesem Wert entsprechen.

Konkrete Anforderungen je nach Lösung:

• CompoundingCloud: EU-Hosting, deutschsprachiger Support, AVV nach Art. 28 DSGVO verfügbar. Für die meisten mittelständischen Betriebe ausreichend.
• Azure Document Intelligence, Google Document AI: Verarbeitung nur in EU-Regionen konfigurieren. AVV sind in beiden Fällen verfügbar (Google Cloud DPA, Microsoft Customer Agreement mit DPA). Wichtig: Dokumente werden für die Verarbeitung temporär übertragen — prüft, ob sensible Rezepturen die Unternehmensgrenze verlassen dürfen.
• Notion: Standardmäßig US-Server. AVV erhältlich, aber keine echte EU-Datenresidenz. Für nicht-kritische Rezepturen akzeptabel, für strategisch sensitive Compound-Entwicklungen mit Geheimhaltungspflicht gegenüber Abnehmern ungeeignet.
• On-Premise-Datenbank: Vollständige Kontrolle, keine externen Datenflüsse. Erfordert eigene Backup-Infrastruktur und IT-Betrieb.

Unabhängig vom Tool: Definiert vor dem Go-live, welche Rezepturen als vertraulich eingestuft sind und wer Zugriff auf welche Rezepturen haben darf. Nicht alle Mitarbeitenden in der Produktion müssen die vollständige Additivzusammensetzung sehen — Produktionsparameter und Komponentenkürzel reichen häufig.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

Laufende Kosten (monatlich)

• CompoundingCloud Basic: 149 €/Nutzer/Monat × 5 Nutzer = 745 €/Monat
• CompoundingCloud Professional: 229 €/Nutzer/Monat × 5 Nutzer = 1.145 €/Monat (23 % Rabatt bei Jahresabo)
• Notion Business: ca. 20 €/Person/Monat (für kleine Teams)
• Azure Document Intelligence (laufende Dokumentenverarbeitung): typisch 50–300 €/Monat bei 500–3.000 Seiten/Monat

Wie du den Nutzen nachweist

Der beste Nachweis ist nicht die Zeitkalkulation, sondern die Dokumentation konkreter Situationen: Wie oft wurde eine Rezeptur in einem Monat aus dem System abgerufen? Wie viel schneller? Wie viele Kundenanfragen zu SVHC-Gehalten konnten direkt beantwortet werden? Welche Produktionsanläufe liefen beim ersten Mal reibungslos, weil die Parameter vollständig hinterlegt waren?

Legt vor dem Rollout eine Baseline fest: Stichprobenartig Suchzeiten stoppen, Klärungsanfragen zählen, Reklamationen mit Bezug auf Dokumentationslücken dokumentieren. Nach sechs Monaten Betrieb vergleichen — das ist der ehrlichste Nachweis.

Was du dagegenrechnen kannst

Konservatives Szenario: 200 Rezepturanpassungen/Jahr × 2 Stunden Dokumentationsaufwand = 400 Stunden ≈ 12.000 Euro jährlich (laut agorum.com-Kalkulation, bei 30 €/Std.). KI-gestützte Dokumentation halbiert diesen Aufwand → ca. 6.000 Euro Einsparung/Jahr. Dazu kommt: ein vermiedener Produktionsneuanlauf wegen Dokumentationslücke rentiert die Investition allein.

Fünf typische Einstiegsfehler

1. Alle alten Rezepturen auf einmal digitalisieren wollen. Der Impuls ist verständlich, aber der falsche Ansatz. Wer versucht, 600 Rezepturen aus den letzten 15 Jahren zu erfassen, bevor das System produktiv geht, verliert sich in Prüfungs- und Bereinigungsarbeit. Lösung: Nur Rezepturen digitalisieren, die in den letzten zwei Jahren noch in der Produktion eingesetzt wurden. Alles andere erhält einen Status “archiviert” und wird nur bei Bedarf nacherfasst. 80 Prozent des täglichen Nutzens entstehen mit 20 Prozent der Rezepturen.

2. Versionskontrolle als technisches Problem behandeln. Viele kaufen ein System mit Versionierung, definieren aber nicht, was eine neue Version auslöst. Ergebnis: Das System hat zehn Versionen derselben Rezeptur ohne Änderungsbeschreibung. Lösung: Vor dem Rollout verbindliche Regeln festlegen — Rohstoffwechsel, Parameteranpassungen über einem Schwellenwert, Ergebnis eines Produktionstests. Diese Regeln ins System dokumentieren, nicht im Kopf behalten.

3. Das System einführen, aber niemanden zum Pflegen benennen. Das ist der langfristig gefährlichste Fehler — weil er leise passiert. Eine Rezepturdatenbank, die sechs Monate nicht aktualisiert wird, ist nach 18 Monaten eine Quelle für Fehlinformationen, nicht für Wissen. Die Anlage läuft stabiler als das System es noch abbildet, oder neue Additivlieferanten tauchen nirgends auf. Lösung: Eine namentlich benannte Person mit Zuständigkeit für die Datenbankpflege — nicht als Vollzeitaufgabe, aber als explizite Verantwortung mit einem Review-Termin pro Quartal.

4. Keine Zugriffsstruktur für sensible Rezepturen definieren. Nicht jeder Mitarbeitende in der Produktion sollte jede Rezeptur vollständig einsehen können — besonders wenn Geheimhaltungspflichten gegenüber Kunden oder Lieferanten bestehen. Wird das System ohne Rechtekonzept eingeführt, entsteht entweder eine Sicherheitslücke oder, schlimmer, Misstrauen, das die Nutzungsrate sofort senkt. Lösung: Vor Go-live drei Zugriffsrollen definieren (Entwicklung, Produktion, Qualität) und was jede davon sehen und bearbeiten darf.

5. OCR-Ergebnisse ohne Fachkraft-Review in die Datenbank übernehmen. OCR-Extraktion auf sauberen Druckdokumenten erreicht 95 Prozent Genauigkeit. Handschriftliche Produktionskarten, Faxkopien und Thermodrucke aus den 1990er Jahren können deutlich schlechter abschneiden. Ein Mengenfehler — 3,5 statt 0,35 Prozent Additivanteil — erzeugt entweder Ausschuss oder eine Sicherheitslücke. Lösung: Jede per OCR extrahierte Rezeptur muss von der zuständigen Fachkraft freigegeben werden, bevor sie als produktive Rezeptur gilt. Nicht optional.

Was mit der Einführung wirklich passiert — und was nicht

Die häufigste Enttäuschung: Das System ist eingeführt, aber die Hälfte des Teams nutzt es nicht. Die Suche im Ordnersystem geht oft schneller als der Login in ein neues System — zumindest für die ersten Wochen.

Drei Muster, die in fast jedem Rollout auftauchen:

Die Experten mit dem Köpfchen. Der langjährige Compoundiermeister, der jede Rezeptur auswendig kennt, wird das System als irrelevant für seinen Alltag betrachten — er braucht es ja nicht. Gleichzeitig ist genau sein Wissen das wertvollste, das einzutragen ist. Was hilft: Ihn in die Rolle des Review-Verantwortlichen bringen. Er bestätigt, was andere eingetragen haben. Das gibt ihm Kontrolle, ohne ihn zum Datenerfasser zu machen — und bringt sein Wissen ins System.

Die Skepsis gegenüber dem “KI-Teil”. In der Produktion gibt es berechtigt Misstrauen gegenüber Systemen, die automatisch etwas “extrahieren” oder “vorschlagen”. Klar kommunizieren: Das System schreibt nichts eigenständig ins Produktionssystem. OCR und Sprachmodell liefern Vorschläge, die eine Fachkraft freigibt. Kein Algorithmus überschreibt eine validierte Rezeptur.

Der Doppelpflegeaufwand in der Übergangsphase. Für 4–8 Wochen müssen Rezepturänderungen sowohl im alten System (Excel, Ordner) als auch im neuen dokumentiert werden, bis das neue vollständig befüllt und akzeptiert ist. Dieser Übergangszeitraum kostet Nerven, ist aber unvermeidbar. Wer ihn nicht aktiv kommuniziert, verliert das Team nach den ersten Wochen.

Was konkret hilft:

• Einen Piloten mit drei bis fünf Kernrezepturen starten, bevor das System für alle geöffnet wird
• Die ersten zwei Wochen täglich fünf Minuten Review im Team — was funktioniert, was nicht
• Fehler und fehlende Informationen als Systemverbesserungen behandeln, nicht als Kritik an der Lösung
• Den ersten Erfolgsfall sichtbar machen: die erste Reklamation, die innerhalb von zwei Minuten mit einem Rezepturnachweis beantwortet wird

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

“Unsere Rezepturen liegen alle in Excel, das reicht.” Das stimmt — solange die Personen, die die Excel-Dateien kennen und pflegen, im Unternehmen bleiben. Wenn aus “alle” sechs Monate später “die meisten” wird, und aus “einer weiß wo” “der hat das Unternehmen verlassen” — dann reicht es nicht mehr. Excel ist kein Versioning-System, kein Wissensspeicher mit Kontext und kein REACH-Nachweis. Für wen es wirklich reicht, sind Betriebe unter 50 Rezepturen mit einer stabilen Stammbelegschaft. Für alle anderen ist es Warteschleife, keine Lösung.

“Wir haben keine Zeit, das umzustellen.” Das klingt wie ein Kapazitätsproblem, ist aber meistens ein Priorisierungsproblem. Wer keine Zeit hat, jetzt zu digitalisieren, hat auch keine Zeit, nach dem nächsten Mitarbeiterwechsel Rezepturen neu zu entwickeln. Der Unterschied: Der erste Aufwand ist planbar, der zweite nicht. Ein Pilot mit den 20 wichtigsten Rezepturen in sechs Wochen ist handhabbar — niemand muss alle 500 Rezepturen auf einmal erfassen.

“Das versteht unsere Produktion nicht.” Die Produktion muss das System nicht verstehen — sie muss es nutzen können. Das ist ein Design-Problem, kein Komplexitätsproblem. Wenn die Produktion auf dem Tablet sieht: “Rezeptur PA6-GF30-001, Version 4.2, Schmelzetemperatur 280°C, Einzugszone 60°C, Masterbatch-Anteil 3 Prozent” — dann ist das einfacher als drei Excel-Dateien zu vergleichen. Was wirklich nicht funktioniert: Wenn die Produktion gezwungen wird, selbst Rezepturen einzutragen. Das ist nicht ihre Aufgabe.

Woran du merkst, dass das zu dir passt

Du erkennst dich in mindestens drei dieser Punkte wieder:

• Ihr habt mehr als 50 aktive Rezepturen und keine einheitliche Ablage mit Versionskontrolle
• Wenn eine erfahrene Person das Unternehmen verlässt, gibt es Wissenslücken, die sich erst Monate später zeigen
• Ihr werdet von Kunden nach SVHC-Gehalten gefragt und müsst jedes Mal manuell suchen
• Produzierte Chargen haben sporadische Qualitätsabweichungen, deren Ursache sich im Nachhinein schwer zuordnen lässt
• Ihr bereitet Zertifizierungen oder Kundenzulassungen vor, bei denen Rezepturnachweise erforderlich sind
• Neue Mitarbeitende brauchen in der Entwicklung oder Produktion deutlich länger als nötig, weil sie sich Wissen aus verschiedenen Quellen zusammensuchen müssen

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

1. Weniger als 50 aktive Rezepturen und eine stabile Belegschaft mit geringer Fluktuation. Für solche Betriebe liefert ein gut strukturiertes Excel mit Versionsdatum und Zugriffsschutz 80 Prozent des Nutzens bei fünf Prozent des Aufwands. Die Digitalisierungskosten übersteigen den erzielbaren Nutzen in diesem Szenario deutlich.

2. Rezepturen sind noch nicht einmal grundlegend erfasst — weder auf Papier noch in Excel. Wenn das operative Rezepturwissen ausschließlich in den Köpfen erfahrener Mitarbeitender steckt und noch nie in irgendeiner Form aufgeschrieben wurde, ist der erste Schritt nicht Digitalisierung, sondern Dokumentation. Ein KI-System extrahiert Wissen — es erschafft es nicht. Erst wenn eine Grundbasis in irgendeiner Form vorliegt, lohnt sich der Aufbau einer strukturierten Lösung.

3. Keine IT-Verantwortung und keine Ressource für die Systempflege. Eine Rezepturdatenbank, die eingeführt und dann nicht gepflegt wird, ist nach 12–18 Monaten ein Risiko, kein Asset. Sie gibt scheinbar zuverlässige Informationen aus, die tatsächlich veraltet sind. Wer keine Person mit expliziter Pflegeverantwortung benennen kann, sollte den Rollout verschieben, bis diese Ressource verfügbar ist.

Das kannst du heute noch tun

Starte mit einem kostenlosen Proof-of-Concept, bevor du irgendein Tool kaufst. Nimm drei der komplexesten Rezepturen, die ihr in den letzten 12 Monaten produziert habt — also die, bei denen ihr am häufigsten nachfragen musstet. Exportiere sie aus Excel oder fotografiere sie, falls sie auf Papier vorliegen.

Öffne Claude oder ChatGPT (kostenlose Versionen reichen für diesen Test) und lade die Dokumente hoch. Stelle dann die folgende Frage — sie zeigt dir sofort, ob das Konzept für eure Rezepturen funktioniert:

Was der Test zeigt: Selbst mit unstrukturierten Eingaben extrahiert ein Sprachmodell in Sekunden mehr, als eine manuelle Übertragung in 30 Minuten leisten würde. Die [PRÜFEN]-Markierungen zeigen dir direkt, wo eure Dokumentation aktuell Lücken hat.

Der nächste Schritt: Listet die zehn häufigsten Fragen, die neue Mitarbeitende in den ersten drei Monaten stellen. Wenn mehr als drei davon Rezeptur- oder Parameterfragen sind, ist das ein klares Signal, dass strukturierte Dokumentation einen Unterschied macht.

Quellen & Methodik

• Wissensverlust 76 Prozent der Industrieunternehmen: Quiply/Bitkom, erhoben 2023, veröffentlicht unter insights.quiply.com/blog/wissensverlust. Befragung von 266 deutschen Industrieunternehmen.
• Fast 20 Millionen Erwerbstätige bis 2036 im Rentenalter: Institut der deutschen Wirtschaft (IW), aktuelle Prognoseberechnung, zitiert nach Quiply (insights.quiply.com/blog/wissensverlust, 2024). Unterstreicht die strukturelle Wissensschutzproblematik für Compoundierer mit lang aufgebautem Rezepturwissen.
• 12.000 Euro jährlicher Dokumentationsaufwand: Kalkulation von agorum.com (2024) auf Basis von 200 Rezepturanpassungen/Jahr × 2 Stunden Dokumentationsaufwand × 30 Euro/Stunde. Quelle: agorum.com/loesungen/digitalisierung-ki-und-dms-loesungen-fuer-kunststoffe. Methodisch: “typische Kennzahlen der Kunststoffindustrie” ohne repräsentative Stichprobe — als Orientierungsgröße zu verstehen.
• Martinswerk GmbH, LIMS-Einführung März 2024: Thermo Scientific SampleManager LIMS, implementiert durch up to data GmbH (up2LIMS). Nicole Müller, Senior Quality Manager Martinswerk: “LIMS sorgt für Transparenz und Nachverfolgbarkeit unserer Qualitätsanalysen und ermöglicht letztlich eine bessere Kontrolle des Produktionsprozesses.” Quelle: up2lims.de/en/lims-blog/success-story-martinswerk-lims-lab-efficiency (2024). Relevanz: Praxisbeleg für LIMS-Nutzen in der chemischen Verarbeitung; keine Rezepturdatenbank im engeren Sinne, aber direkt vergleichbare Implementierungslogik.
• CompoundingCloud Preise und Implementierungsdauer: Öffentliche Tarife der CompoundingCloud GmbH (Stand April 2026), compoundingcloud.de. Basic 149 €/Nutzer/Monat, Professional 229 €/Nutzer/Monat, mindestens 5 Nutzer.
• SCIP-Datenbank-Meldepflicht ab 5. Januar 2021 und REACH Anhang XVII: ECHA (Europäische Chemikalienagentur), Verordnung (EG) Nr. 1907/2006 (REACH), Art. 33, Art. 9 und Anhang XVII; Abfallrahmenrichtlinie (AbfRRL). Aktuelle Kandidatenliste und Anhang-XVII-Einträge: echa.europa.eu. Anhang XVII Übersicht: reach-clp-biozid-helpdesk.de (Stand Oktober 2025). ECHA-Erweiterung der Kandidatenliste: Februar 2026.
• Azure Document Intelligence Preise: Microsoft Azure Preisübersicht (Stand April 2026), azure.microsoft.com/de-de/pricing/details/ai-document-intelligence/.
• OCR-Genauigkeit auf Handschriften: Docsumo OCR Accuracy Benchmarking (docsumo.com/blogs/ocr/accuracy); allgemein anerkannte Branchenwerte für moderne OCR-Systeme: 95 %+ auf sauberem Druck, 60–75 % auf schwer leserlichen Handschriften ohne Custom-Training.
• Kosten Produktionsneuanlauf: Erfahrungswerte aus Compoundier-Projekten im Mittelstand (Unternehmen mit 20–150 Mitarbeitenden); keine repräsentative Studie, aber konsistente Rückmeldungen aus Implementierungsgesprächen.

Willst du wissen, welcher Ansatz für eure konkrete Situation — Rezepturanzahl, Dokumentationslage, Systemlandschaft — der sinnvollste erste Schritt wäre? Meld dich für ein kurzes Gespräch.