Verpackungsoptimierung mit KI

Das echte Ausmaß des Problems

Verpackung ist in der Lebensmittelbranche kein kleiner Posten. Einer Analyse des Springer-Verlags zufolge macht die Verkaufsverpackung im Schnitt rund 6 Prozent des Verkaufspreises eines Lebensmittels aus — einschließlich Transportverpackung steigt dieser Anteil auf etwa 7 Prozent. Bei einem mittelständischen Hersteller mit 10 Millionen Euro Umsatz bedeutet das rund 600.000 bis 700.000 Euro jährliches Verpackungsbudget.

Das Problem: Verpackungsdesigns werden selten systematisch hinterfragt. Sie entstehen einmal, werden vom Handel akzeptiert, und dann bleibt die Spezifikation stehen — manchmal für 15 Jahre. Materialstärken, die für Logistikbedingungen von 2008 ausgelegt waren, gelten noch heute. Füllmengen, die Headspace-Optimierungen aus dem Jahr der Produkteinführung widerspiegeln, wurden nie nachkalibriert.

Gleichzeitig bauen sich drei Druckfelder auf:

Materialpreise: Wellpappe, Kunststofffolien und Aluminiumverbunde sind zwischen 2020 und 2024 um 25–45 Prozent teurer geworden, je nach Material und Region. Wer seine Spezifikationen nicht angepasst hat, zahlt für Materialstärken, die er nicht braucht.

EU-Verpackungsverordnung (EU) 2025/40: Die Verordnung ist am 11. Februar 2025 in Kraft getreten. Ab dem 12. August 2026 werden die zentralen Anforderungen verbindlich — darunter die Pflicht zur Konformitätserklärung für alle auf dem EU-Markt platzierten Verpackungen. Ab 2030 müssen Verpackungen zu 70 Prozent aus recyclingfähigen Materialien bestehen. Ab 2038 gilt Recyclingfähigkeitsstufe A oder B (mindestens 80 Prozent). Wer das heute nicht vorbereitet, läuft in ein Compliance-Problem hinein.

Handelspartner-Druck: Lebensmitteleinzelhändler kommunizieren zunehmend Nachhaltigkeitsanforderungen als Listungsvoraussetzung. Wer keine dokumentierten Fortschritte bei Verpackungsgewicht und Recyclingfähigkeit vorweisen kann, riskiert Gespräche über Auslistungen — auch unabhängig von der gesetzlichen Pflicht.

Das überraschende Gegenstück: Bei fast allen Lebensmittelherstellern, die ihre Verpackungen systematisch analysieren, finden sich Einsparpotenziale. Amazons Package Decision Engine — das KI-System, das die Verpackungsselektion für 350 Millionen Produkte steuert — hat die durchschnittliche Verpackungsstärke pro Sendung seit 2015 um 43 Prozent reduziert und vermeidet laut Amazon Science (2024) heute mehr als 500.000 Tonnen Verpackungsmaterial jährlich. Lebensmittelhersteller operieren in einem anderen Kontext als ein Versandhändler — aber die Frage, ob das Papier auch 10 Prozent dünner gehalten hätte, stellen die meisten nie.

Mit vs. ohne KI — ein ehrlicher Vergleich

Wichtige Einschränkung: Die KI beschleunigt vor allem die Analysephase — die Identifikation von Potenzialen und die Prüfung gegen Anforderungen. Sie ersetzt nicht die physischen Tests, die vor jeder Materialänderung nötig sind, und sie trifft nicht die finale Entscheidung. Das tut dein Team.

Einschätzung auf einen Blick

Zeitersparnis — sehr niedrig (1/5) Das ist kein Werkzeug, das täglich Zeit spart. Verpackungsoptimierung ist ein strategisches Projekt, das einmal alle drei bis fünf Jahre sinnvoll durchgeführt wird — oder wenn Materialpreise, Handelsanforderungen oder eine neue Verordnung den Anstoß geben. Der Wert liegt nicht im täglichen Betrieb, sondern in einer einmaligen Analyse, die Materialkosten dauerhaft senkt. Wer ein Werkzeug sucht, das die Arbeitsbelastung im täglichen Betrieb reduziert, ist bei der Chargendokumentation oder der HACCP-Dokumentation besser aufgehoben. Dieser Anwendungsfall hat die niedrigste Zeitersparnis aller Lebensmittel-Use-Cases — der Tausch ist bewusst: niedrig auf Zeit, stark auf Kosten.

Kosteneinsparung — hoch (4/5) Verpackungsmaterial kann 6–10 Prozent des Herstellkostenblocks ausmachen. Eine Materialreduzierung von 10–20 Prozent bei einer Teilgruppe des Portfolios überträgt sich direkt in sechsstellige Jahreseinsparungen — bei einem Unternehmen mit 500.000 Euro Verpackungsbudget realistisch 40.000 bis 100.000 Euro. Das ist eine der wenigen Kategorien, wo KI-Unterstützung eine buchhalterisch messbare Aussage erlaubt, nicht nur eine operative Vermutung. Nur Qualitätskontrolle per Bildanalyse erzielt im Branchenvergleich noch stärkere Kostenwirkung.

Schnelle Umsetzung — mittel (3/5) Der Einstieg ist handhabbar: Verpackungsspezifikationen zusammenstellen, in ein PPWR-Compliance-Tool einpflegen, Hypothesen über Einsparpotenziale entwickeln, und mit einem LLM eine strukturierte Analyse aufbauen. Keine tiefe IT-Integration, keine monatelange Datenvorbereitung. Aber: Vor der ersten umgesetzten Materialänderung stehen immer noch physische Tests. Die achte Woche liefert erste Ergebnisse, nicht erste Produkte.

ROI-Sicherheit — mittel (3/5) Die Analyse kostet Geld und Zeit — das ist real. Der Nutzen tritt nur ein, wenn das Unternehmen die Empfehlungen auch umsetzt, der Lieferant die neue Spezifikation anbieten kann, und die physischen Tests bestehen. In der Praxis setzen etwa 60–70 Prozent der Hersteller die identifizierten Maßnahmen im ersten Jahr teilweise um (Erfahrungswert aus Branchenprojekten). Das macht den ROI berechenbar, aber nicht garantiert.

Skalierbarkeit — mittel (3/5) Das gesamte Verpackungsportfolio lässt sich systematisch durcharbeiten — 20 SKUs heute, 80 morgen. Aber jede neue Produktfamilie braucht eigene Analyse und eigene physische Tests. Die Skalierung ist linear, nicht exponentiell. Compliance-Checks skalieren besser als Materialoptimierungen — ein Portfolio-Upload in PPWR Check prüft 500 Szenarien genauso schnell wie 50.

Richtwerte — stark abhängig von Verpackungsbudget, SKU-Anzahl und Bereitschaft zur Umsetzung.

Was die KI-gestützte Verpackungsanalyse konkret macht

Verpackungsoptimierung mit KI ist kein einheitlicher Prozess — je nach Ausgangslage und Ziel kommen unterschiedliche Ansätze zum Einsatz. Es lohnt sich, drei Ebenen zu unterscheiden:

Ebene 1: PPWR-Compliance-Prüfung

Das ist die am schnellsten umzusetzende und regulatorisch dringlichste Ebene. Tools wie PPWR Check nehmen die Verpackungsportfolio-Daten eines Unternehmens entgegen — Verpackungstyp, Material, Gewicht, Primär- oder Sekundärverpackung — und prüfen sie automatisch gegen die Anforderungsszenarien der EU-Verordnung (EU) 2025/40. Das Ergebnis: Eine Übersicht, welche Verpackungen die 2026-Anforderungen erfüllen, welche bis 2030 angepasst werden müssen, und welche 2038 grundlegend überarbeitet werden müssen. Als Nebenprodukt entsteht die Dokumentation für die Konformitätserklärung, die ab August 2026 Pflicht ist.

Das ist kein KI in dem Sinn, dass ein Modell etwas lernt — es ist eine strukturierte Regelprüfung mit einer Wissensbasis aus Verordnungstext. Aber für die meisten Lebensmittelhersteller ist das der praktischste Einstieg, weil er einen realen Stichtag hat.

Ebene 2: KI-gestützte Potenzialanalyse mit einem LLM

Hier kommt Machine Learning im weiteren Sinne ins Spiel. Das Vorgehen: Alle Verpackungsspezifikationen strukturiert erfassen (Material, Wandstärke, Gewicht, Abmessungen, Füllvolumen, Headspace), dazu Marktdaten zu aktuell verfügbaren Materialstärken und Benchmarks der jeweiligen Produktkategorie. Ein LLM oder ein Analyse-Tool wie Julius AI hilft beim Abgleich: Wo liegt die eigene Spezifikation über dem, was für vergleichbare Produkte typisch ist? Welche fünf Verpackungstypen haben das höchste Einsparpotenzial, wenn man Volumen × Materialpreisdifferenz durchrechnet?

Das Ergebnis ist eine priorisierte Hypothesenliste, keine Garantie. Jede Hypothese muss physisch validiert werden, bevor Produktion läuft.

Ebene 3: Selbstlernende Simulationsmodelle

Das ist die technisch anspruchsvollste Ebene. Unternehmen wie AptarGroup nutzen Plattformen wie Monolith AI, die aus historischen Testdaten (Drucktests, Falltests, Viskositätsmessungen) selbstlernende Modelle aufbauen. Das System lernt, welche Designparameter — Wandstärke, Füllstand, Flüssigkeitsviskosität, Geometrie — welche Performance-Merkmale beeinflussen. Neue Designvarianten können dann “virtuell getestet” werden, bevor ein einziges Muster gebaut wird.

Diese Ebene lohnt sich erst ab einem substanziellen Testdatenarchiv (mindestens 200–500 historische Tests je Produktkategorie) und einem Ingenieurteam, das die Ergebnisse auswerten und physisch validieren kann.

Die EU-Verpackungsverordnung 2025/40 — was ab August 2026 gilt

Die EU-Verordnung über Verpackungen und Verpackungsabfälle (EU) 2025/40 — kurz PPWR — ist kein Zukunftsthema mehr. Sie ist am 11. Februar 2025 in Kraft getreten und greift ab dem 12. August 2026 in ihrer ersten Welle.

Was ab August 2026 Pflicht ist:

• Für alle auf dem EU-Markt platzierten Verpackungen muss eine Konformitätserklärung vorliegen (Artikel 39, Anhang VIII)
• PFAS-Beschränkungen für lebensmittelkontaktierende Verpackungen treten in Kraft
• EPR-Registrierungspflichten greifen für Hersteller und Händler

Was die mittelfristigen Fristen bedeuten:

• Ab 2030: Verpackungen müssen zu mindestens 70 Prozent aus recyclingfähigen Materialien bestehen
• Ab 2035: Großmaßstäbliche Recyclingfähigkeit vorgeschrieben
• Ab 2038: Recyclingfähigkeit Leistungsstufe A oder B (mindestens 80 Prozent) — das bedeutet für viele Verbundverpackungen, Folien mit Aluminiumanteil und Karton-Kunststoff-Kombinationen eine grundlegende Überarbeitung

Warum das für die Optimierungsarbeit relevant ist: Wer seine Verpackungen jetzt systematisch analysiert, macht das aus zwei Gründen gleichzeitig: Materialkosten senken durch Gewichtsreduktion, und Compliance-Risiken für 2026–2038 frühzeitig identifizieren. Beides mit derselben Dateninventur. Das ist der stärkste ökonomische Hebel dieses Projekts — ein Compliance-Problem anzugehen, das sowieso kommt, und dabei Materialeinsparungen mitzunehmen.

Für die Vorbereitung der Konformitätserklärung gibt es spezialisierte Software. PPWR Check ist die praxisorientierteste — Verpackungsportfolio hochladen, Szenarien prüfen, Dokumentation ausgeben. Kosten: ab 5.000 Euro im ersten Jahr für bis zu 50 Szenarien, ab dem zweiten Jahr 3.600 Euro. Für Betriebe mit weniger als fünf Verpackungstypen gibt es auch ppwrconnect.com mit einer kostenlosen Beta-Stufe für bis zu fünf SKUs.

Eines sollte klar sein: Diese Software prüft Konformität, sie optimiert keine Designs. Compliance und Kostenoptimierung sind zwei separate Workstreams, die man am besten gleichzeitig angeht — aber mit unterschiedlichen Werkzeugen.

Digitaler Zwilling vs. physischer Test — wo KI aufhört

Das ist der kritischste Punkt dieses Anwendungsbereichs, und er wird in den meisten Darstellungen unterschlagen.

Die Verheißung: KI analysiert Verpackungsdaten, empfiehlt dünneres Material, und schon spart das Unternehmen 15 Prozent Materialkosten.

Die Realität: Zwischen der Empfehlung und dem Produktionseinsatz steht immer ein physischer Test.

Kartonagen sind nach aktuellem Stand der Technik sehr schwer zu simulieren. Anders als metallische Strukturen, wo Finite-Elemente-Methoden gut funktionieren, verhält sich Wellpappe unter Last und Feuchtigkeit in einer Weise, die selbst spezialisierte Simulation oft nicht korrekt vorhersagt. Ein renommiertes Forschungskonsortium zur Verpackungsphysik formulierte es 2024 so: “Simulating cardboard boxes is fiendishly difficult, if not impossible to model.” AptarGroup erlebte dasselbe für ihre Kunststoffbehälter: Herkömmliche Simulation “led to only disappointment despite significant investment” — bevor sie auf datengetriebene KI-Modelle aus eigenen Testarchiven umstiegen.

Das bedeutet praktisch:

• KI kann sagen: “Diese Verpackung könnte 15 Prozent weniger Material benötigen, basierend auf Benchmarks vergleichbarer Produkte.” Das ist ein wertvoller Hinweis.
• KI kann nicht sagen: “Diese Verpackung mit 15 Prozent weniger Material wird unter den Stapellasten eures Distributionszentrums sicher bestehen.” Das kann nur ein physischer Test.

Was das für die Projektplanung bedeutet: Das Budget muss physische Tests enthalten. Typisch sind 5–10 Muster je Verpackungsvariante, Drucktest nach DIN EN ISO 12048, Falltests nach ISTA 1A oder 2A, bei Lebensmittelkontakt zusätzlich Migrationstests. Das geht durch das eigene Technikum, durch den Lieferanten oder durch ein akkreditiertes Prüflabor. Kosten: 500 bis 3.000 Euro je Verpackungsvariant, je nach Prüfumfang.

Die KI spart die Vorqualifikation — statt 20 Varianten zu testen, werden 3–5 priorisiert. Das ist der echte Hebel. Aber den physischen Test ersetzt sie nicht.

Konkrete Werkzeuge — was wann passt

PPWR Check — für die Compliance-Analyse Das direkteste Werkzeug für die regulatorische Dimension. Verpackungsportfolio hochladen, Szenarien prüfen, Konformitätserklärung vorbereiten. Preislich ab 5.000 Euro/Jahr für bis zu 50 Szenarien, ab dem zweiten Jahr 3.600 Euro. Richtig eingesetzt in der Phase, wo du die gesetzlichen Anforderungen klären und dokumentieren willst — bevor du in Designänderungen investierst.

Julius AI — für die Potenzialanalyse Wenn du eine strukturierte Tabelle mit deinen Verpackungsspezifikationen hast (Material, Gewicht, Abmessungen, Kosten pro Einheit), kann Julius AI diese Daten aufbereiten, visualisieren und gegen Benchmarks abgleichen. Du bekommst eine Priorisierung: Welche fünf Verpackungstypen haben das größte kombinierte Einsparpotenzial (Stückzahl × potenzielle Gewichtsreduktion × Materialpreis)? Preislich der günstigste Einstieg: ab ca. 20 Euro/Monat.

Claude oder ChatGPT — für den Hypothesenaufbau Ein gut strukturierter Prompt mit den eigenen Verpackungsdaten und öffentlich verfügbaren Benchmarkinformationen liefert einen ersten Hypothesenrahmen: Was ist für diese Produktkategorie typisch? Wo liegt unsere Spezifikation darüber? Was wären plausible Einsparziele? Das ist kein Ergebnis, das direkt in die Produktion geht — aber ein strukturierter Ausgangspunkt für die Diskussion mit Lieferanten und Technikern. Kosten: null bis 20 Euro/Monat, je nach Modell.

Monolith AI — für Unternehmen mit umfangreichem Testdatenarchiv Wenn ihr über Jahre hinweg Drucktests, Falltests und Materialprüfungen durchgeführt und dokumentiert habt, kann Monolith AI aus diesen Daten ein selbstlernendes Simulationsmodell aufbauen. Das ermöglicht virtuelle Designtests vor dem Prototyp-Bau. Enterprise-Preisgestaltung auf Anfrage — realistisch ab fünfstelligen Jahresbeträgen. Lohnt sich ab einem Ingenieurteam, das die Modelle pflegen und Ergebnisse validieren kann.

Wann welcher Ansatz:

• PPWR-Pflichten klären und dokumentieren → PPWR Check
• Erste Potenzialpriorisierung aus Verpackungsdaten → Julius AI
• Hypothesen aufbauen, Benchmarks recherchieren → Claude oder ChatGPT
• Virtuelle Materialtests aus eigenem Testarchiv → Monolith AI

Datenschutz und Datenhaltung

Verpackungsoptimierung hat wenige personenbezogene Daten — Verpackungsspezifikationen, Materialstärken, Gewichtsangaben und Kostendaten sind Produktionsinformationen, keine Personendaten im Sinne der DSGVO.

Relevant wird der Datenschutz an zwei Stellen:

Vertraulichkeit von Rezepturen und Verpackungsspezifikationen: Wenn du Verpackungsdaten in ein externes Cloud-System hochlädst, überträgst du potenziell Betriebsgeheimnisse. Materialspezifikationen können Rückschlüsse auf Produktzusammensetzungen, Haltbarkeitseigenschaften und Logistikstrategien erlauben. Faustregel: Anonymisieren, was anonymisierbar ist (interne Produktcodes statt Produktnamen, Gramm statt Materialbezugsquelle), und Auftragsverarbeitungsverträge abschließen, wenn technische Details in externe Systeme fließen.

PPWR Check und ppwrconnect.com: Beide Anbieter sind EU-gehostet. Für die PPWR-Compliance-Prüfung reichen ohnehin schematische Verpackungsattribute aus — kein Rezepturwissen notwendig.

Monolith AI: UK-basiertes Unternehmen mit EU-Datenhaltungsoptionen. Bei der Verwendung für sensible Testdaten: EU-Rechenzentrum explizit anfragen und im Vertrag verankern.

Julius AI, Claude, ChatGPT: Für die Potenzialanalyse empfiehlt sich anonymisiertes Input-Format — eigene SKU-Nummern statt Markennamen, generische Materialbeschreibungen. US-Hostingvarianten dieser Tools sind für nichtkritische Verpackungsdaten in der Regel unbedenklich, solange keine Rezepturgeheimnisse im Prompt landen.

Was es kostet — realistisch gerechnet

Einmalige Projektkosten (Analyse-Phase)

Zum Vergleich: Eine vollständige externe Agentur-Analyse ohne KI-Unterstützung kostet typisch 30.000–80.000 € für ein Portfolio von 15–25 SKUs, und dauert vier bis sechs Monate länger.

Laufende Kosten nach dem Erstprojekt

PPWR Check kostet ab dem zweiten Jahr 3.600 €/Jahr — für Unternehmen mit regelmäßigen Produktneuheiten sinnvoll zu behalten, um neue Verpackungen direkt zu prüfen. Alle anderen Kosten fallen nur dann an, wenn neue Optimierungsrunden gestartet werden.

Was du dagegenrechnen kannst — konservatives Szenario

Rechenbeispiel für einen Knäckebrot-Hersteller mit 600.000 € Verpackungsbudget:

• Identifiziertes Einsparpotenzial über drei Verpackungstypen: 12 Prozent Materialreduktion
• Nur 60 Prozent dieser Maßnahmen werden im ersten Jahr umgesetzt
• Resultierende Einsparung: 600.000 € × 12 % × 60 % = 43.200 €/Jahr
• Projektkosten (einmalig): ca. 25.000 €
• Amortisation: unter 8 Monate

Im mittleren Szenario (80 % Umsetzung, 15 % Materialeinsparung) kommt man auf ca. 72.000 €/Jahr. Die Zahlen sind Rechenbeispiele — der tatsächliche Wert hängt entscheidend davon ab, was die physischen Tests bestätigen und was das Lieferantennetz umsetzen kann.

Wie du den ROI tatsächlich misst Vor dem Projekt: Verpackungskosten je SKU dokumentieren (Materialstärke × Fläche × Preis/m²). Nach dem Projekt: Neue Spezifikation gegen alte rechnen. Mengendaten aus dem ERP ziehen. Monatliche Vergleichsrechnung für 12 Monate nach Umstellung. Das ist machbar ohne externe Hilfe — und liefert belastbare Zahlen für den nächsten Handelspartner-Termin.

Drei typische Einstiegsfehler

1. Mit dem PPWR-Check anfangen, ohne Verpackungsdaten zu kennen Viele Unternehmen unterschätzen den Aufwand der Dateninventur. “Wir haben doch alle Spezifikationen” — stimmt oft nicht. Materialstärken aus Lieferantenrechnungen von 2017, aktuelle Seriengewichte, die sich von der Ursprungsspezifikation unterscheiden, und undokumentierte Verpackungsanpassungen aus der Produktion sorgen für Überraschungen. Lösung: Vor dem ersten Tool-Login eine Woche Dateninventur einplanen, Lieferantenspezifikationen anfordern, und aktuelle Seriengewichte im Lager wiegen.

2. KI-Empfehlung direkt an die Produktion weitergeben Der häufigste Fehler in früheren Projekten: KI empfiehlt 1,9 mm statt 2,3 mm Wellpappe — Betrieb bestellt die neue Stärke beim Lieferanten, ohne vorher Stapeltests durchzuführen. Dann zeigt sich erst nach acht Monaten Produktion, dass die neuen Kartons im Sommer bei höherer Luftfeuchtigkeit im Lager beulen. Lösung: Die KI-Empfehlung ist eine priorisierte Hypothese, keine Spezifikationsfreigabe. Zwischen Empfehlung und Serienproduktion stehen immer physische Tests.

3. Nur auf Materialstärke schauen, Füllhöhe ignorieren Headspace-Optimierung — also die Reduktion des ungenutzten Volumens in einer Verpackung — ist häufig ein genauso großer Hebel wie Materialstärke, wird aber seltener systematisch analysiert. Wer die Chips-Tüte halb leer oder das Glas zu drei Vierteln befüllt, zahlt für Luft. Eine Analyse, die nur Materialgewicht betrachtet, lässt dieses Potenzial liegen. KI-gestützte Befüllungsoptimierung erfordert allerdings Produktionsdaten, nicht nur Verpackungsdaten — und die Abstimmung mit dem Marketing, das nicht selten Headspace aus Gründen der Wahrnehmung verteidigt.

4. Keine Verantwortlichkeit für die Datenpflege nach dem Projekt Die Analyse ist abgeschlossen, die Maßnahmen sind beschlossen — und nach 18 Monaten ist die PPWR-Compliance-Dokumentation veraltet, weil neue Produkte eingeführt wurden, ohne sie zu prüfen. Compliance-Nachweis braucht kontinuierliche Pflege, nicht eine einmalige Analyse. Wer den PPWR-Check-Zugang weiter nutzt und neue Verpackungen direkt bei der Einführung prüft, hält das Risiko klein. Wer das nicht tut, hat in drei Jahren wieder ein Compliance-Defizit.

Was mit der Einführung wirklich passiert — und was nicht

Verpackungsoptimierung ist kein Softwareeinführungsprojekt — es ist ein bereichsübergreifendes Abstimmungsprojekt. Und das ist der eigentliche Grund, warum solche Projekte ins Stocken geraten.

Das Verteilungsproblem: Die Schmerzen der Optimierung (Lieferantenverhandlungen, Produktionstests, Änderungen an Maschineneinstellungen) trägt die Produktion. Der Nutzen (niedrigere Kosten) landet in der Kalkulation. Wenn diese Abteilungen kein gemeinsames Projekt-Commitment haben, passiert folgendes: Analyse ist fertig, Ergebnisse werden präsentiert, und dann wartet jeder auf den anderen. Sechs Monate später ist die Analyse schon halb vergessen.

Lösung: Vor dem Start einen Lenkungsausschuss aus Produktion, Einkauf und Controlling installieren, der die Umsetzung verantwortet — nicht nur die Analyse begleitet. Jede Maßnahme bekommt eine Umsetzungsverantwortung und eine Frist.

Die Lieferanten-Frage: Die meisten Empfehlungen aus der KI-Analyse setzen voraus, dass der Lieferant die neue Materialspezifikation anbieten kann — und will. In der Praxis ist das nicht selbstverständlich. Kleinere Hersteller sind für Lieferanten wenig attraktive Testpartner für neue Materialstärken. Frühzeitig kommunizieren, ob der Lieferant die Anpassung überhaupt realisieren kann, bevor die Maßnahme ins Budget eingeplant wird.

Was nicht passiert: Die KI wird nicht von selbst eine Verpackung verbessern. Sie identifiziert Potenziale und prüft Konformität. Die Entscheidung, ob und wie ein Design geändert wird, liegt beim Unternehmen. Das ist keine Einschränkung — das ist die richtige Arbeitsteilung.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Wir haben das Problem nicht — unsere Verpackungen passen.” Stimmt vielleicht für die Produktintegrität. Aber “passen” und “optimal” sind verschiedene Dinge. Die Frage ist nicht, ob die Verpackung funktioniert — sondern ob sie 15 Prozent schwerer ist als nötig, für Material das heute teurer ist als damals. Wenn niemand das je systematisch geprüft hat, ist die Antwort: weiß man nicht.

„Die PPWR betrifft uns noch nicht — wir warten bis 2026.” Die Konformitätserklärung ist ab August 2026 Pflicht. Die Daten für diese Erklärung musst du bis dahin erheben — und die Erhebung dauert, vor allem wenn die Verpackungsdaten verteilt sind. Wer im Juli 2026 anfängt, ist zu spät. Und: Handelspartner erwarten Nachweise häufig vor dem gesetzlichen Stichtag.

„KI entscheidet dann, wie unsere Verpackungen aussehen?” Nein. KI analysiert und priorisiert. Die Entscheidung, was geändert wird, wann, und mit welchem Lieferanten — das bleibt im Unternehmen. Das ist keine Einschränkung des Werkzeugs, sondern seine korrekte Positionierung: Analysewerkzeug, kein Automationssystem.

Woran du merkst, dass das zu dir passt

Du bist in der richtigen Ausgangslage, wenn:

• Dein Verpackungsbudget liegt über 300.000 Euro im Jahr — darunter ist das Einsparpotenzial selten groß genug, um die Projektkosten zu rechtfertigen
• Dein Produktportfolio umfasst mindestens 10–15 aktive SKUs mit eigenem Verpackungsformat — weniger ist manuell schneller analysiert
• Mindestens ein Verpackungstyp ist älter als fünf Jahre ohne systematische Überprüfung — hier ist Optimierungspotenzial am wahrscheinlichsten
• Du bekommst Anfragen von Handelspartnern zu Nachhaltigkeitsnachweisen oder PPWR-Compliance — das macht das Projekt doppelt nutzbar
• Dein Lieferant kann Materialstärkenvarianten liefern und testen — ohne das ist die beste Analyse folgenlos

Wann das noch nicht zu dir passt — drei harte Ausschlusskriterien:

1. Verpackungsbudget unter 300.000 Euro pro Jahr: Bei einem Einsparpotenzial von realistisch 10–15 Prozent ergibt das maximal 30.000–45.000 Euro Jahreseinsparung. Das deckt die Projektkosten knapp — und nur wenn die Maßnahmen vollständig umgesetzt werden. Für Betriebe unter dieser Schwelle lohnt sich zunächst eine einfache manuelle Benchmarking-Übung mit dem Lieferanten, bevor ein formales KI-Projekt gestartet wird.

2. Keine strukturierten Verpackungsdaten vorhanden: Wenn Materialspezifikationen verteilt in alten PDF-Angeboten liegen, aktuelle Seriengewichte nicht bekannt sind, und Lieferantenunterlagen auf Anfrage erst neu erstellt werden müssten — dann ist die Dateninventur das Projekt, nicht die KI-Analyse. KI-Potenzialanalyse braucht saubere Inputdaten. Ohne diese Basis produziert sie Nonsens.

3. Kein Lieferant, der Materialvarianten physisch testen kann: Die KI liefert Hypothesen. Der Lieferant — oder ein akkreditiertes Labor — liefert die Validierung. Wer ausschließlich über einen Handelskatalog einkauft und keinen direkten technischen Austausch mit dem Produzenten hat, kann die Empfehlungen nicht umsetzen. Zuerst die Lieferantenbeziehung aufbauen, dann die Analyse starten.

Das kannst du heute noch tun

Nimm die fünf teuersten Verpackungen aus deinem Sortiment — gemessen an Kosten pro Einheit × Jahresvolumen. Trag für jede folgende Informationen zusammen: Materialtyp, Flächengewicht oder Wandstärke, aktueller Einkaufspreis, und wann diese Spezifikation zuletzt überprüft wurde.

Das dauert zwei Stunden und liefert die erste grobe Priorisierung: Welche Verpackung lohnt es sich, genauer anzuschauen?

Für den nächsten Schritt hilft dieser Prompt:

Quellen & Methodik

• Amazon Package Decision Engine (PDE): Amazon Science, “How deep learning is reducing Amazon’s packaging waste” (2024); Amazon Sustainability, “Packaging innovation” (2024). Amazons PDE hat die durchschnittliche Verpackungsstärke seit 2015 um 43% reduziert und vermeidet heute >500.000 t Verpackungsmaterial/Jahr. URL: amazon.science
• AptarGroup / Monolith AI: Monolith AI Case Study, “Packaging optimization using AI — AptarGroup” (2023). AptarGroup setzte nach Enttäuschungen mit herkömmlicher Simulation auf KI-Modelle aus historischen Testdaten. URL: monolithai.com/case-studies/packaging-optimization-using-ai-aptargroup
• PPWR (EU) 2025/40: Verordnung (EU) 2025/40 des Europäischen Parlaments und des Rates vom 22. Januar 2025 über Verpackungen und Verpackungsabfälle. Amtsblatt der EU, L 2025/40 (11. Februar 2025). Anforderungen August 2026, Recyclingziele 2030–2038.
• PPWR Check Preise: ppwrcheck.com/en, abgerufen Mai 2026. Basic-Plan: 5.000 €/Jahr für bis zu 50 Szenarien, ab Jahr 2: 3.600 €/Jahr.
• Verpackungskostenanteil: Kosten der Verkaufspackung, Springer Nature (historische Quelle), bestätigt durch Statista-Daten zur Kostenstruktur in der Lebensmittelindustrie Deutschland.
• Kartonage-Simulation: “Simulating cardboard boxes is fiendishly difficult, if not impossible to model” — Zitat aus Forschungsarbeiten zur Verpackungsphysik-Simulation (vgl. SMTA Packaging Physics of Failure Methodology, 2024).
• Laufende Kosten und Erfahrungswerte: Eigene Schätzwerte und Branchenbeobachtungen für deutsche Lebensmittelhersteller mit 10–50 Mio. € Umsatz, Stand Mai 2026.