KI-Einsatz in der Chemie

Viele nutzen generative KI längst im Alltag. Eine E-Mail wird schneller fertig. Ein Meeting wird in Sekunden zusammengefasst. Eine Recherche steht nach wenigen Prompts. Das Gesamtergebnis entsteht jedoch meistens in mindestens zwei Schritten. Menschen prüfen Aussagen, korrigieren Details, ergänzen Kontext und entscheiden, was stimmt und was nicht.

Genau dort steht KI in der Industrie heute: Die Werkzeuge sind im täglichen Betrieb durchaus leistungsfähig und nützlich, um Menschen bei ihrer Arbeit zu unterstützen. Gleichzeitig sind die KI-Assistenten weiterhin auf die Führung durch den Menschen angewiesen. KI kann in vielen Fällen entlasten, aber nicht allein wirken.

Gerade bei den heutigen komplexen chemischen Betriebsabläufen müssen Ingenieure und Anlagenbetreiber weiterhin die Verantwortung tragen. Die Rolle der industriellen KI besteht wiederum darin, Entscheidungszyklen durch schnellere Einblicke in den Betriebsablauf zu verkürzen. Ob es darum geht, Prozesse an sich ändernde Rohstoffmengen anzupassen, Wartungspläne zu verbessern oder die Kluft zwischen Informationen, Betrieb und Unternehmenstechnologie zu überbrücken. Industrielle KI rationalisiert Entscheidungsprozesse, damit die Anlagen reibungslos laufen. Wie gut das gelingt, hängt im Wesentlichen von zwei Faktoren ab: der richtigen Datenbasis und den Menschen, die damit arbeiten.

Erfahrung lässt sich nicht ersetzen

Wer jahrelang eine komplexe Prozessanlage betrieben hat, trägt ein Erfahrungswissen mit sich, das sich nicht ohne Weiteres dokumentieren oder übertragen lässt. Die Chemieindustrie verliert jedoch genau diese erfahrenen Operatoren schneller, als sie Nachwuchs findet. Als Folge übernehmen neue Teams mehr Verantwortung in weniger Zeit und müssen gleichzeitig den steigenden Anforderungen an Produktivität und Anlagenverfügbarkeit gerecht werden.

Generative KI kann diesen Druck abfedern. Laut einer Analyse von Accenture könnten etwa 31 % der Arbeitsstunden in der Chemieindustrie durch generative KI reduziert werden. Digitale Systeme übernehmen einen wachsenden Teil der Überwachungs- und Analyseaufgaben, sodass kleinere, gut ausgebildete Teams komplexe Anlagen zuverlässig betreiben können.

Wie KI die Arbeit mit R&I-Schemata radikal vereinfacht

Rohrleitungs- und Instrumentierungsdiagramme (R&I) zu erstellen, ist mühsam, häufig fehlerhaft und veraltet. Das ändert sich jetzt grundlegend: KI-Systeme erfassen, prüfen und vernetzen R&I-Daten automatisiert – und verwandeln statische Pläne in dynamische Informationsmodelle, die sich dank Dexpi-Standard universell einsetzen lassen.

Dass die Branche dieses Potenzial noch kaum nutzt, offenbart eine Studie der Boston Consulting Group aus dem September 2025: Die befragten Chemie- und Maschinenbauunternehmen planten, im darauffolgenden Jahr weniger als 15 % ihrer Mitarbeitenden weiterzubilden. Im Softwaresektor sollten es 55 % sein. Dabei zeigen Beispiele wie der Mobile Operator von BASF, wie Weiterbildung heute funktionieren kann. Dort ermöglichen KI und Virtual Reality Prozessschulungen, die neue Mitarbeitende trainieren, ohne sie den Risiken einer laufenden Anlage auszusetzen.

Vom Datensilo zur KI-gestützten Entscheidung

Neben dem Fachkräftemangel kämpfen Chemieunternehmen mit einem zweiten Problem: Betriebsdaten sind zwar in großer Menge vorhanden, aber häufig über Abteilungen und Standorte verteilt oder in Silos gefangen. Um daraus verwertbare Informationen zu gewinnen, müssen Datenströme aus dem gesamten Unternehmen zusammengeführt und kontextualisiert werden, etwa in einem digitalen Zwilling.

KI-Modelle und -Agenten fungieren dabei als funktionale Katalysatoren. Sie durchforsten jahrelange Historiendaten aus kontinuierlichen oder Batch-Anlagen und erkennen Muster, die auf Verunreinigungen, Qualitätsabweichungen oder Wärmeverluste hindeuten. Anlagenfahrer erhalten dadurch eine deutlich bessere Informationsbasis, um zu entscheiden, ob Sollwerte geändert werden sollten oder ob ein Abschalten sinnvoll ist.

Automatisierung und Sicherheit unter einen Hut bringen

Die Komplexität der Prozessindustrie wirkt sich auf die Sicherheit aus – insbesondere angesichts automatisierter, vernetzter und digitaler Anlagen. Physische Modelle und Virtual Reality unterstützen dabei, sichere und produktive Lösungen zu finden.

Kostspieligen Anlagenstillständen vorbeugen

Das folgende Beispiel zeigt, wie KI Hinweise liefert und Menschen die Verantwortung für Eingriffe im Prozess behalten. Der Methanolproduzent Methanex stand vor genau dieser Situation. Er betreibt Produktionsstandorte in sechs Ländern mit einer Betriebskapazität von 10,6 Mio. t/a und produziert dabei kontinuierlich enorme Mengen an Betriebsdaten. Datensilos und global verteiltes Expertenwissen führten lange zu langsamen Entscheidungsprozessen, gefolgt von kostspieligen Anlagenstillständen und kritischen Geräteausfällen. Und das, obwohl die Datenbasis für frühzeitigere Eingriffe vorhanden gewesen wäre.

Der Methanolproduzent nutzt das PI-System des Softwareherstellers Aveva bereits als Standard an den sechs globalen Produktionsstandorten, um saubere Betriebsdaten zu erhalten. Nun stand der nächste Schritt aus. Die Daten über Connect, die industrielle Intelligenzplattform des Softwareherstellers, sicher und flexibel mit KI-Modellen zusammenzuführen. Um bessere Entscheidungen auf Basis KI-gestützter Datenanalysen treffen zu können, sollten die sauberen Rohdaten mit einem Large Language Model (LLM) verknüpft werden. Dieser Schritt ist in industriellen Umgebungen in vielen Fällen erforderlich, damit Antworten auf internen Daten und Kontext beruhen. Ohne diese Anbindung kann es im operativen Umfeld zu Fehlinterpretationen und falschen Antworten führen und ernste Konsequenzen haben.

Als cloudbasierte Plattform vereinfachte die industrielle Intelligenzplattform nicht nur die IT-Infrastruktur beim Methanolproduzenten. Durch die Integration in das PI-System kann er KI-Lösungen individuell an seine spezifischen Betriebsanforderungen anpassen und KI-gestützte Analysen, prädiktives Modellieren und Echtzeitüberwachung zur Anlagenoptimierung nutzen. Mit konfigurierbaren Visualisierungen und einfach integrierbaren KI-Modellen kann das Team dadurch Muster in den konsolidierten Daten erkennen und fundierte Entscheidungen treffen.

Der Methanolproduzent verknüpfte beispielsweise das vortrainierte KI-Modell Microsoft Azure Timegen mit Daten aus der industriellen Intelligenzplattform, um den Dampfturbinen-Austrittsdruck an einem seiner Standorte zu prognostizieren. Dadurch können Bediener die Betriebseffizienz der Anlage überwachen, bei Bedarf einzelne Parameter anpassen oder Wartungsarbeiten einleiten. Zudem ermöglichte die Plattform, Lösungen mit KI-Agenten und einem Assistenten zur Betriebsoptimierung zu entwickeln.

Kategorien für strukturierten Einsatz von KI

Das Beispiel des Methanolproduzenten veranschaulicht ein Prinzip, das sich auf die gesamte Prozessindustrie übertragen lässt. KI-Einsatz braucht saubere Daten, menschliche Expertise und einen festen Rahmen. Eine Orientierung für wichtige Governance-Entscheidungen bietet das Drei-Kategorien-Modell:

• In der ersten Kategorie agiert KI innerhalb enger Grenzen autonom. Typische Anwendungsfälle sind die kontinuierliche Überwachung von Anlagenzuständen, das automatische Erkennen von Anomalien in Prozessdaten oder das selbstständige Anpassen von Parametern in festgelegten Regelbereichen.

• In der zweiten Kategorie schlägt die KI Maßnahmen vor, die ein menschlicher Supervisor validiert. Der Operator erhält eine Empfehlung, etwa einen Sollwert zu ändern oder ein Abschalten einzuleiten, und entscheidet auf dieser Basis über die Maßnahme.

• Die dritte Kategorie umfasst Anwendungen, bei denen KI Informationen bereitstellt, ohne direkt in den Prozess einzugreifen. Dazu gehören Analysen, Dashboards oder Briefings, die einen konsolidierten Überblick über Betriebsdaten verschaffen. Genau davon haben die strategischen Nutzer beim Methanolproduzenten am stärksten profitiert.

Wie BASF eine Greenfield-Anlage mit Ethernet-APL ausgestattet hat

Ethernet-APL gibt es in der Theorie schon lange, wird in der Praxis aber noch zu wenig in Anlagen umgesetzt. Wie es gehen kann, erzählt Dr. Kai Krüning, Senior Automation Engineer bei BASF, im Interview anhand eines Anlagenbauprojekts im chinesischen Zhanjiang.

Daten von McKinsey unterstreichen, dass sich dieser strukturierte Ansatz auszahlt. Unternehmen, die signifikante Erträge aus KI-Programmen erzielen, haben zu 65 % formale Prozesse zum menschlichen Validieren von Modellergebnissen etabliert. Bei den anderen sind es lediglich 23 %. In der Chemieindustrie, wo eine Fehlentscheidung unmittelbare Sicherheits- und Umweltfolgen haben kann, ist dieser Rahmen besonders wichtig.

Der Mensch gibt die Richtung vor

Chemieunternehmen, die KI produktiv einsetzen, haben eines gemeinsam: Sie behandeln Governance und Datenbasis als strategische Grundentscheidungen. Sie klären frühzeitig, welche Entscheidungen sie an KI-Systeme delegieren und wo der Mensch das letzte Wort behält. Gleichzeitig schaffen sie eine solide Datenbasis, da sich ohne gemeinsamen Kontext keine belastbaren Entscheidungsgrundlagen ableiten lassen. Investitionen in industrielle Plattformen, die Betriebsdaten standortübergreifend zusammenführen und für KI-Modelle nutzbar machen, sind daher unverzichtbar.

Die Industrie bewegt sich in Richtung Industry 5.0, in der intelligente Systeme und Menschen nach dem „Human in the Lead"-Prinzip eng zusammenarbeiten. Während KI die Analysearbeit übernimmt und datengestützte Erkenntnisse liefert, bleibt der Mensch die letzte und entscheidende Instanz.