Industrie + Technik

Borouge | Roland Janssen wird Chief Commercial Officer beim Wiener Polyolefinunternehmen Borouge. Das Unternehmen entstand in diesem Jahr durch Zusammenschluss von Borealis, Borouge und Nova Chemicals. Janssen hat einen Bachelor- und Masterabschluss in Automobiltechnik. Er folgt Stefan Doboczky, der Chief Executive Officer beim portugiesischen Pharmadienstleister Hovione wird. MBCorden Pharma | Jean-Luc Herbeaux wird Chief Executive Officer (CEO) beim Pharma- und Biotech-Auftragsentwickler und -hersteller Corden Pharma aus Plankstadt. Er folgt Michael Quirmbach, der in den Aufsichtsrat wechselt. In den zwölf Jahren, in denen Quirmbach für das Unternehmen tätig war, wuchs der Jahresumsatz von 245 Mio. Euro auf über 1 Mrd. Euro. Der promovierte Maschinenbauer Herbeaux war zuvor CEO beim portugiesischen Pharmadienstleister Hovione und arbeitete davor bei Evonik. MBFECC | Peter Bigler ist neuer Präsident beim Europäischen Verband der Chemiedistributeure (FECC). Bigler ist Aufsichtsratsmitglied beim Chemikalienhändler Harke aus Mülheim an der Ruhr. Er folgt Lars Wallstein, Co-Chief Executive Officer des Händlers Oqema, bis zum Jahr 2017 Overlack-Gruppe, mit Hauptsitz in Mönchengladbach. MBShimadzu | Florian Geistmann folgt als Geschäftsführer des Analytikgeräteherstellers Shimadzu Europa auf Jürgen Semmler, der im Jahr 2021 die Geschäftsführung übernommen hatte und nach 39 Jahren im Unternehmen in den Ruhestand getreten ist. Geistmann hat in analytischer Chemie promoviert und ist seit 2002 bei Shimadzu tätig. Ab 2021 war er Geschäftsführer von Shimadzu Deutschland. Diese Position übernimmt nun Claudia Böhm, die bisher kaufmännische Leiterin und Vertriebsverantwortliche bei Shimadzu Deutschland war. KKMaren Bulmahn<a href="mailto:mb@mb-recherche.de">mb@mb-recherche.de</a>Katharina Käfer

Meldungen

Neu besetzt bei

Borouge | Roland Janssen wird Chief Commercial Officer beim Wiener Polyolefinunternehmen Borouge. Das Unternehmen entstand in diesem Jahr durch Zusammenschluss von Borealis, Borouge und Nova Chemicals. Janssen hat einen Bachelor- und Masterabschluss in Automobiltechnik. Er folgt Stefan Doboczky,...

Wer industrielle künstliche Intelligenz in der Produktion einsetzt, sollte auf Erfahrung und Fachwissen des Menschen sowie verlässliche Rohdaten setzen – und klare Regeln festlegen, wann die KI nur Ergebnisse liefert oder auch empfiehlt und eingreift.Die nächsten To-dos auflisten, recherchieren und E-Mails vorbereiten: Generative künstliche Intelligenz (KI) kann den Arbeitsalltag enorm erleichtern. Ganz allein funktioniert sie allerdings nicht. Zwar präsentiert die Maschine sekundenschnell Ergebnisse, über den Inhalt entscheidet aber der Mensch, indem er Informationen prüft, Kontext ergänzt und Details und Formulierungen anpasst. Der Mensch trägt damit am Ende die Verantwortung.<link href="#nadc20264159987-fig-0001">Industrielle KIsetzt Datenanalyse und lernende Systeme ein, um Prozesse über den gesamten Anlagenlebenszyklus zu optimieren, Anlagen vorausschauend zu warten und Ressourcen effizient zu nutzen. Sie hilft beispielsweise, Prozesse an schwankende Rohstoffmengen anzupassen, Wartungspläne zu optimieren oder Informations-, Betriebstechnik und Unternehmenssteuerung besser zu vernetzen. Dies macht Entscheidungsprozesse effizienter und lässt Anlagen reibungslos laufen. Die Qualität der Ergebnisse hängt sowohl von der Datenbasis ab als auch von den Menschen und Systemen, die mit den Daten arbeiten.<figure xml:id="nadc20264159987-fig-0001"><figure><img alt="image" src="https://eu-central-1.graphassets.com/Aype6X9u2QGewIgZKbFflz/cmvtdzz3e3e9907tbmwhjp9vv" data-strapi-src="https://cdn.gdch.de/prod/nadc20264159987_fig_0001_a_ed43acb727.png"><figcaption><label>Abb.1: </label>Bild: onephoto / Adobe Stock</figcaption></figure></figure><h2 type="main">Mehr Schulungen</h2>Wegen der schlechten wirtschaftlichen Lage der Chemieindustrie sinken derzeit in vielen Unternehmen die Beschäftigtenzahlen, gleichzeitig steigen Zeitdruck und Anforderungen. So müssen Unternehmen die Produktion kosten- sowie energieeffizienter machen und Fachkräfte nicht nur gewinnen, sondern auch in kurzer Zeit schulen.Folglich müssen sich die kleineren Teams anders organisieren, um weiterhin Produktivität und Anlagenverfügbarkeit zu gewährleisten.Generative KI kann diesen Druck abfedern, indem sie Anlagen überwacht und analysiert. Das hat Potenzial: Einer Analyse der Unternehmens- und Strategieberatungsfirma Accenture zufolge könnte industrielle KI rund 31 Prozent der Arbeitsstunden in der Chemieindustrie sparen. Das funktioniert allerdings nur, wenn die Systeme zuverlässig funktionieren und die Mitarbeitenden entsprechend geschult sind.Solche Schulungen fehlen allerdings in der Chemiebranche oft noch. Eine Studie des Beratungsunternehmens Boston Consulting Group aus dem September 2025 zeigt: Die befragten Chemie- und Maschinenbauunternehmen planten, im darauffolgenden Jahr weniger als 15 Prozent ihrer Mitarbeitenden zu KI weiterzubilden; in befragten Softwareunternehmen sollten es dagegen 55 Prozent sein.1)Das Schulungsprogramm Mobile Operator des Chemiekonzerns BASF zeigt, wie eine Weiterbildung praktisch aussehen kann: KI und Virtual Reality schulen Mitarbeitende in Prozessen, ohne sie den Risiken einer laufenden Anlage auszusetzen.2)<h2 type="main">Konsolidierte Daten</h2>In Chemieunternehmen fallen große Mengen an Betriebsdaten an, die sich oft über mehrere Abteilungen und Standorte verteilen. Deshalb sollten Unternehmen die Datenströme zunächst zusammenführen und in einen Kontext setzen, um verwertbare Informationen ableiten zu können. Dabei hilft beispielsweise ein digitaler Zwilling, der den gesamten Lebenszyklus einer Anlage abdeckt.KI-Modelle und Agenten analysieren dann über Jahre gesammelte Historiendaten aus kontinuierlichen Anlagen- oder Batchprozessen und erkennen Muster, die auf Verunreinigungen, Qualitätsabweichungen oder Wärmeverluste hinweisen. Dies liefert Anlagenfahrern eine Entscheidungsgrundlage, um bei Problemen früh zu reagieren – sei es durch Anpassen der Sollwerte oder kontrolliertes Abschalten. Dabei ist sicherzustellen, dass die KI-Empfehlungen rein auf den verknüpften Daten und dem richtigen Kontext basieren. Andernfalls drohen falsche Ergebnisse und Fehlinterpretationen, die erheblichen Schaden anrichten können. Die Voraussetzungen für verlässliche KI-basierte Empfehlungen sind eine aktuelle, verbindliche und einheitliche Datengrundlage sowie klar definierte Systemgrenzen. Zudem müssen relevante Beziehungen zwischen Datensätzen und betriebliche Zusammenhänge hinterlegt sein.<h2 type="main">Aus der Praxis: Mensch und KI arbeiten zusammen</h2>Das Unternehmen Methanex, der weltgrößte Produzent und Lieferant von Methanol, zeigt, wie eine datenbasierte Zusammenarbeit zwischen Mensch und KI im laufenden Betrieb aussehen kann. Methanex betreibt Produktionsstandorte in sechs Ländern mit einer jährlichen Betriebskapazität von 10,6 Millionen Tonnen. Obwohl die Datenbasis für frühes Eingreifen vorhanden gewesen wäre, führten Datensilos und weltweit verteiltes Expertenwissen regelmäßig zu langsamen Entscheidungen und damit teuren Anlagenstillständen und Geräteausfällen. Der Plan: die enorme Menge an Betriebsdaten besser und früher nutzbar machen.Um Betriebsdaten sauber zu erfassen, nutzte Methanex bereits die Software Aveva PI System an allen Produktionsstandorten. Im nächsten Schritt wurden diese Daten über die Cloudplattform Connect mit KI-Modellen verbunden. Das Ziel: die Rohdaten mit einem Large Language Model verknüpfen, um sie KI-gestützt zu analysieren und so dem Ausfall von Produktionsanlagen vorzubeugen und teure Ausfallzeiten zu reduzieren. Und langfristig: den Betrieb mit KI-Agenten optimieren.Über Aveva PI System kann Methanex KI-Lösungen an die eigenen Betriebsabläufe anpassen, um Anlagen durch Analysen, Vorhersagen und Echtzeitüberwachung zu optimieren. Über die Cloud lassen sich die Daten mit verschiedenen KI-Modellen visualisieren, wodurch Muster sichtbar werden. Um den Dampfturbinen-Austrittsdruck an einem Standort vorherzusagen, hat Methanex beispielsweise das vortrainierte KI-Modell Microsoft Azure Time Gen mit Daten von Connect kombiniert. Die Bediener können nun verfolgen, wie effizient die Anlage läuft, und bei Bedarf Parameter nachjustieren oder Wartungen einleiten.<h2 type="main">Klare Regeln zur Aufgabenteilung</h2>Das Drei-Kategorien-Modell hilft Unternehmen, Governance-Entscheidungen zu treffen, die festlegen, nach welchen Regeln industrielle KI zu nutzen ist sowie wer letztlich entscheidet und verantwortlich ist.Kategorie 1: Innerhalb enger Vorgaben agiert KI autonom. Sie überwacht etwa Anlagen, erkennt automatisch Anomalien in Prozessdaten und passt Prozessparameter in festgelegten Bereichen selbstständig an.Kategorie 2: KI schlägt Maßnahmen vor, der Mensch entscheidet. Basierend auf den verknüpften Daten empfiehlt die KI beispielsweise, einen Sollwert zu ändern oder die Anlage abzuschalten. Ob er der Operator-Empfehlung folgt, entscheidet der Mensch selbst.Kategorie 3: KI stellt Analysen, Dashboards oder Briefings bereit, ohne Empfehlungen zu liefern oder in den Prozess einzugreifen. Das half den Nutzenden bei Methanex nach eigenen Angaben am meisten.Auch Daten des Beratungsunternehmens McKinsey unterstreichen: Unternehmen profitieren davon, formale Prozesse zu etablieren, wie Mitarbeitende KI-Ergebnisse prüfen, einordnen und nutzen. 65 Prozent der Unternehmen, die besonders viel Ertrag aus KI-Programmen erzielen, validieren Modellergebnisse menschlich nach festen Vorgaben. Bei den Unternehmen, die weniger erfolgreich mit KI sind, haben nur 23 Prozent solche Vorgaben.3)Unternehmen sollten also festlegen, wann KI-Systeme autonom handeln oder nur Vorschläge machen. Arbeiten intelligente Systeme und Menschen zusammen, brauchen sie eine eindeutige Aufgabenteilung. Es eignet sich das Modell „Human in the Lead“: KI analysiert und liefert Erkenntnisse, der Mensch prüft und trifft die endgültige Entscheidung – mit all seiner Erfahrung, seinem Fachwissen und Urteilsvermögen.<h2 type="main">Der Autor</h2>Clemens Schönlein hat über sieben Jahre Erfahrung als Ingenieur und Berater in datengesteuerter Optimierung, Operational Excellence und Anlagenleistung. Er hat einen Master of Science in Sustainable Process &amp; Energy Technology vom Karlsruher Institut für Technologie, der KTH Stockholm und der TU Delft. Seine Fachgebiete sind die Modellierung von Energiesystemen, das Anlagenmanagement sowie die Prozessoptimierung mit maschinellem Lernen. Beim Softwareunternehmen Aveva leitet er als Lead Technology Evangelist AI &amp; Analytics die Implementierung der Industrial AI Platform.<ul class="references" cited="no" style="numbered" xml:id="nadc20264159987-bibl-0001"><li xml:id="nadc20264159987-bib-0001">1 Zur Studie der Boston Consulting Group: <url href="https://t1p.de/10pvn"><a href="https://t1p.de/10pvn" target="_blank">t1p.de/10pvn</a></url></li><li xml:id="nadc20264159987-bib-0002">2 Informationen zum BASF-Schulungsprogramm: <url href="https://t1p.de/g9l5k"><a href="https://t1p.de/g9l5k" target="_blank">t1p.de/g9l5k</a></url>; <url href="https://t1p.de/px98a"><a href="https://t1p.de/px98a" target="_blank">t1p.de/px98a</a></url></li><li xml:id="nadc20264159987-bib-0003">3 Zur McKinsey-Studie: <url href="https://t1p.de/ugzge"><a href="https://t1p.de/ugzge" target="_blank">t1p.de/ugzge</a></url></li></ul>

Meldungen

Neu besetzt bei

Überprüfung Ihres Anmeldestatus ...