Die AI-First-Raffinerie und Chemie

In der deutschen Chemie- und Raffinerie-Industrie hat KI eine besondere Stellung: sie ist nicht das nächste Innovations-Spielzeug, sondern die einzige verbleibende Stellschraube, mit der ein 50-Jahre-altes Anlagen-Portfolio noch substanzielle Effizienz-Sprünge zulässt. Wacker, Lanxess, Evonik, OMV — und ihre 800-plus Mittelstands-Zulieferer in der DACH-Chemie — sitzen alle vor derselben Rechnung: Energie-Kosten gestiegen, CO2-Bepreisung steigend, Wettbewerber aus China mit niedrigeren Cash-Kosten. Wer hier nicht in den nächsten drei Jahren 6-12 Prozent Effizienz-Sprung schafft, verliert Marktanteile irreversibel.

Wir sehen in Engagements mit Chemie-Mittelständlern zwischen 200 und 2.500 Mitarbeitern dasselbe Muster: AI-Pilots in der Anlagen-Optimierung sind seit fünf Jahren im Versuchsstadium, aber kaum eine Anlage läuft produktiv mit KI-gesteuerten Set-Points. Der Grund ist nicht Technologie. Der Grund ist Vertrauen — und wie man dieses Vertrauen schrittweise aufbaut.

Drei Operating-Ebenen, an denen sich AI-First entscheidet

Die folgenden drei.

Erste Ebene: Anlagen-Optimierung (Process Optimization). Eine moderne Distillations-Kolonne, eine Cracker-Einheit, ein chemischer Reaktor — alle haben Sensor-Dichten von 200 bis 2.000 Messpunkten. Klassische Process-Control nutzt 8-30 davon. Eine AI-First-Schicht nutzt alle, erkennt Muster, schlägt Set-Point-Veränderungen vor. Wenn der Anlagenleiter freigibt, wird der Vorschlag umgesetzt. Effekt: 3-8 Prozent Ausbeute-Verbesserung pro Anlage. Das ist in der Chemie eine Margin-Revolution.

Zweite Ebene: Predictive Asset-Management. Stillstände in der Chemie sind teuer. Ein ungeplanter Anlagen-Stillstand in einer mittelständischen Chemie-Anlage kostet zwischen 80.000 und 400.000 Euro pro Tag — abhängig von Produkt-Marge und Auftrags-Pipeline. Eine AI-First-Surveillance-Schicht über alle kritischen Aggregate (Pumpen, Wärmetauscher, Verdichter, Rührwerke) sieht 60-90 Prozent der unerwarteten Stillstände 5-30 Tage im Voraus. Wartung wird verschoben oder vorgezogen — produktive Stunden steigen.

Dritte Ebene: Emissions- und Compliance-Surveillance. EU-CBAM, EU-ETS-Phase-4, REACH-Updates, Wasser-Compliance — der regulatorische Druck auf die Chemie wächst jährlich. AI-First-Compliance baut die Evidence-Trails kontinuierlich auf statt im Vor-Audit-Stress. Kombiniert mit Echtzeit-Emissions-Surveillance reduziert das das Audit-Risiko und gibt operative Frühwarn-Signale.

Basis: Bandbreiten aus Azena-Engagements mit DACH-Chemie-Mittelständlern (200–2.500 MA), 2023–2026.

Drei Hebel mit produktiver Wirkung

Erster Hebel: Set-Point-Empfehlungen mit Operator-in-the-Loop. Das ist der pragmatische Einstieg in jede Chemie-Anlage. Die KI gibt eine Empfehlung („senke Reflux-Verhältnis von 3,2 auf 2,9, das spart 4 Prozent Energie bei gleicher Produkt-Reinheit”), der Operator entscheidet. Über 60-120 Tage lernt das Vertrauen — und die KI-Empfehlungen werden in 70-85 Prozent der Fälle angenommen.

Illustratives Branchen-Rechenbeispiel, kein konkretes azena-Mandat: ein DACH-Chemie-Mittelständler im Spezialitäten-Geschäft, etwa 480 Mitarbeiter, hat in 14 Monaten an drei Distillations-Kolonnen Set-Point-Empfehlungs-Systeme eingeführt. Energie-Verbrauch sank um durchschnittlich 5,7 Prozent. Bei den volatilen Energie-Preisen der letzten Jahre bedeutet das 2,8 Millionen Euro EBIT-Effekt pro Jahr — bei einer Initialinvestition von rund 640.000 Euro.

Zweiter Hebel: Predictive Maintenance für rotierende Maschinen. Pumpen und Verdichter sind die häufigsten Stillstands-Ursachen. Eine durchgängige Vibrations- und Temperatur-Surveillance, ausgewertet mit anomalie-detektierenden Modellen, identifiziert beginnende Lager-Schäden, Kavitations-Risiken und Dichtungs-Verschleiß 15-30 Tage im Voraus. Wartungs-Fenster werden geplant statt erlitten.

Dritter Hebel: kontinuierliche Compliance-Evidence für EU-CBAM und EU-ETS. Statt vor jedem Audit ein 4-8-Wochen-Compliance-Sprint zu fahren, schreibt ein AI-First-Workflow die Emissions-Daten, die Verbrauchs-Daten und die Material-Bilanzen kontinuierlich in eine audit-fähige Evidence-Datenbank. Beim Audit zieht der Compliance-Officer die geforderten Belege in Stunden statt Wochen.

Die teuerste Lektion aus fünf Jahren Chemie-Pilots: Eine KI-Optimierungs-Schicht, die ohne den Anlagen-Operator gebaut wird, wird von ihm überstimmt. Und mit jedem konservativen Override verschwindet der EBIT-Hebel — leise, dauerhaft, unbemerkt im Quartals-Reporting.

Was im Chemie-Mittelstand häufig schiefgeht

Drei Muster sehen wir wiederholt. Erstens: Pilot ohne Operator-Einbindung. Eine KI-Optimierungs-Schicht, die ohne den Anlagen-Operator entwickelt wurde, wird vom Anlagen-Operator nicht akzeptiert. Die Operator wissen warum: ihre Aufgabe ist Sicherheit, nicht Energie-Effizienz. Sie überstimmen KI-Vorschläge konservativ — und damit verschwindet der EBIT-Hebel. AI-First in der Chemie muss vom ersten Tag mit den Operatoren gebaut werden.

Zweitens: Cloud-Architektur ohne Operations-Continuity-Plan. Eine Chemie-Anlage darf keine 20-Minuten-Latenz auf eine Cloud-Inferenz haben, weil bei Latenz-Verlust die Anlage in den sicheren Fallback-Mode geht. Die KI-Architektur muss Edge-Inference und Cloud-Inference orchestrieren. Edge für sicherheits-kritische Echtzeit-Entscheidungen, Cloud für längerfristige Optimierung.

Drittens: kein klarer Geschäfts-Case pro Anlage. Eine Chemie-Anlage in Burghausen ist nicht dieselbe wie eine Chemie-Anlage in Marl. Die KI-Pilots, die in der Branche scheitern, sind oft die, die einen Use-Case 1:1 von einer Anlage auf die nächste replizieren wollen. Jede Anlage braucht eine eigene Geschäfts-Case-Berechnung und eine eigene Adaption.

Was 2026 anders ist

Drei Verschiebungen sind relevant. Erstens werden Process-Optimization-Modelle robust genug, um auch in nicht-stationären Betriebs-Punkten Empfehlungen zu geben — bisher waren KI-Modelle stark auf stationäre Betriebs-Punkte beschränkt. Zweitens werden EU-CBAM- und EU-ETS-Phase-4-Pflichten 2026 voll wirksam — wer keine kontinuierliche Emissions-Evidence baut, scheitert an den ersten Audits. Drittens werden Edge-Inference-Plattformen (Siemens AI Edge, Schneider EcoStruxure AI) ausreichend leistungsfähig, dass kritische KI-Workloads on-premise laufen können — ein Architektur-Sprung, der die Operations-Continuity-Hürde löst.

Wie der Einstieg konkret aussieht

Drei Phasen. Phase eins: ein vierwöchiger Chemistry-AI-Readiness-Sprint, der eine Anlage tief analysiert, den Daten-Reifegrad bewertet, die regulatorische Compliance-Landkarte zeichnet und den ROI-stärksten Hebel identifiziert. Phase zwei: ein 12- bis 20-wöchiger AI-Build der ersten Anlage, mit klarer Operator-Einbindung und Co-Pilot-Stadium von Anfang an. Phase drei: schrittweise Übertragung auf weitere Anlagen über 24-36 Monate.

Den Festpreis-Rahmen pro Anlage legen wir im Erstgespräch fest, sobald Scope und Ziel klar sind. Über ZIM und KfW-Förder-Linien für Energie-Effizienz sind 25 bis 45 Prozent Ko-Finanzierung möglich.

Wenn Sie wissen wollen, welche Ihrer Anlagen den schnellsten Effizienz-Hebel zeigt: 30 Minuten Erstgespräch reichen, um die Top-Kandidaten zu identifizieren — mit konkreter ROI-Schätzung und Operator-Co-Pilot-Architektur.