Künstliche Intelligenz in der chemischen Industrie
Unter dem Motto „Künstliche Intelligenz in der chemischen Industrie – Chancen, Herausforderungen, Perspektiven“ fand Mitte November 2025 die VCW-Jahrestagung an der Provadis-Hochschule in Frankfurt am Main statt.
Künstliche Intelligenz (KI) verändert die chemische und pharmazeutische Industrie grundlegend – von der Forschung und Lehre über die Produktentwicklung bis hin zur Produktion. Auf der VCW-Jahrestagung 2025 Mitte November an der Provadis-Hochschule in Frankfurt am Main wurden die Potenziale, Anwendungen und Herausforderungen von KI in der Branche beleuchtet: Wie kann KI die Entwicklungsprozesse beschleunigen, Produktionskosten senken und Innovationszyklen verkürzen?
Die Vereinigung für Chemie und Wirtschaft (VCW), eine Fachgruppe der GDCh, agiert als Netzwerk an der Schnittstelle zwischen Chemie, Wirtschaftswissenschaften, Wirtschaft und Gesellschaft und bietet ein Forum zur Diskussion der ökonomischen, ökologischen, sozialen und technisch-wissenschaftlichen Herausforderungen der Chemieindustrie und ihrer Partner. Die VCW-Jahrestagung brachte relevante Stakeholder aus Unternehmen, Forschung und Gesellschaft zusammen, um Ziele und Strategien für den Einsatz von KI in der Chemie zu diskutieren.
KI-Strategien in Hochschule und Industrie
Der Gastgeber der Tagung, die Provadis-Hochschule, wurde von der Präsidentin Prof. Ursula Bircher-Otto vorgestellt: 2003 gegründet, bietet sie nur Duale Studiengänge in Naturwissenschaft und Technik in Kooperation mit Firmen an. Im Zentrum für Industrie und Nachhaltigkeit (ZIN) ist im Sinne von “Thinking Industry New” (Hannes Utikal) nicht nur die Nachhaltigkeit, sondern auch der smarte Einsatz von IT ein Kernthema.
Tom Kinzel, Geschäftsführer der GDCh, sieht bei der Transformation der Chemie die Förderung der KI als ein Zukunftsthema. Rolf Albach, Vorsitzender der VCW, betont für die „Problemlösung“ aber auch die Stärkung der Leistungsfähigkeit der Menschen – denn nach Hannah Arendt endet die Freiheit dort, wo wir nicht mehr feststellen können, was wahr ist: Wir müssen also unsere Urteilsfähigkeit erhalten, um unsere Freiheit zu verteidigen.
Was soll KI in der chemischen Industrie machen?
Prof. Thorsten Daubenfeld, Studiendekan an der Hochschule Fresenius, ordnet in seinem Vortrag „Vom Slow Mover zum Trendsetter – KI in der Chemie-Industrie“ zuerst die Begrifflichkeiten. KI ist der Oberbegriff für viele IT-gestützte Techniken:
Maschinelles Lernen (Machine Learning; selbstständige Mustererkennung in Daten), das sich in Überwachtes Lernen (mit bekannten Antworten), Unüberwachtes Lernen (ohne vorgegebene Antworten) und verstärktes (reinforced) Lernen (Versuch und Irrtum;auch als Deep Learning mit Neuronalen Netzen mit regelbasierten Algorithmen in der Programmierung) gliedert.
An Beispielen der Optimierung der Ausbeute eines Pharmaprodukts, der Qualität eines Polymers und zur Mustererkennung in der Schusswaffenballistik wird die Vorgehensweise verdeutlicht: Durch Visualisierung der Daten werden Cluster gefunden und die Ausbeute um 20% auf ca. 90% gesteigert. Die Clusteranalyse von Messdaten ermöglicht die Zusammenfassung von Daten zu unabhängigen Hauptkomponenten.
Mit KI ändert sich die Ausbildung der Chemiker: Sie müssen programmieren können (Digital Mindset) – damit wird 100% exaktes Arbeiten angelernt.
Heute ist „Schwache KI“ besser als der Mensch in engen Bereichen wie Schach, Autofahren, Dateninterpretation (z. B. Gesichtserkennung). Zukünftig wird „Starke KI“ besser als jeder Mensch in jedem existierenden Bereich sein. Nach Ray Kurzweil werden wir 2045 KI haben, die überall besser ist als der Mensch!!!
Bereits heute hilft KI bei der Beschleunigung der Entwicklung von Active Ingredients (Wirkstoffen) im Pharmabereich durch die Automatisierung der Strukturaufklärung, der Vorhersage von Eigenschaften neuer Produkte und bei der Optimierung von Prozessparametern in der industriellen Synthese.
Optimale Synthesewege kann KI schneller vorhersagen (noch schwer bei Biomolekülen, da zu groß). Evonik hat damit bereits Entwicklungszeiten verkürzt und die Reinheit erhöht – bei reduziertem Ressourceneinsatz und Integration in bestehenden Prozessen.
Covestro betreibt eine KI gestützte vollautonome komplexe Polyesterproduktion in Dormagen (Brownfield). Autonome Roboter in der Logistik und digitale Zwillinge sind inzwischen nahezu Stand der Technik.
In einer vergleichenden Studie haben Hasselfeld und Just im J. Business. Chem. vom 3. Okt. 2025 die KI-Entwicklung zwischen 2020 und 2025 verglichen.
Die Digitalisierung wird wichtiger, jedoch ist der Trend „Heute“ geringer als die Prognose von 2020 für heute, gemäß Amara’s Law: “We tend to overestimate the effect of a technology in the short run and underestimate the effect in the long run.”
Die Covid-19 Pandemie hat als Katalysator gewirkt und die digitale Infrastruktur verbessert. Dabei liegen Großunternehmen und kleine Firmen in der Digitalisierung vor dem klassischen Mittelstand (50-999 Mitarbeiter). Diesem fehlen nicht nur die finanziellen Mittel, sondern auch Mitarbeiter, Daten ausreichender Qualität und Quantität sowie die nötige Systemintegration. Generative KI, insbesondere „large language models“ und digitale Assistenten setzen sich durch.
Es geht darum, die ersten Schritte einfacher zu machen bzw. Begeisterung zu wecken (als Beispiel: das Buch von D. Spiegelhalter: „The Art of Statistics“; begeistert und fördert damit die Lust, zu verstehen, wie es geht).
In der zweiten Keynote sieht Marcus Pospiech, Corporate AI Program Lead der BASF SE, KI als strategischen Enabler: Die neue BASF Winning Way Strategie möchte mit Hilfe der KI Innovationen beschleunigen und die Produktivität verbessern, um auch zukünftig wirtschaftlich zu bleiben.
Im komplexen Produktionsbetrieb gilt es besonders, das gesammelte Wissen in Plant GPT zu konservieren und für jeden Betriebsmitarbeiter schnell zugänglich zu machen. Damit kann die Einarbeitungszeit neuer Mitarbeiter beschleunigt und im Falle betrieblicher Störungen schneller reagiert werden.
Machine Learning wurde bereits seit 10-15 Jahren eingeführt. Der ChatGPT „Moment“ ermöglicht es seit etwa zwei Jahren, mit Generative KI („Expertensystem“) den Schatz an Informationen in Dokumenten (Verfahrensanweisungen) besser zu heben.
Der ChatBot gab 2023 auf Fragen an das Modell die schnellste, aber nicht die beste Antwort: das war noch nicht gut genug (spezifisches Wissen fehlte noch): Der Kontext dazu noch durch Menschen nötig.
„KI-Agenten“ sind 2025 noch wenig definiert: KI Reasoning Mode hinterfragt sich selbst, um zu der besten Antwort zu kommen – damit verändern sie unsere Art und Weise zu arbeiten: „Wir bauen einen Menschen nach zur „Wissensfähigkeit“ - Wie gehe ich zur Lösungsfindung?
Für die Einführung der KI hat sich BASF drei Schwerpunkte gesetzt:
- Breitensport -> Verständnis für KI entwickeln – regelmäßig nutzen zur Arbeitsunterstützung bei repetitiver Arbeitsweise
- Anwendungsfälle für KI mit hohem Wertbeitrag finden (wenige Themen mit Fokus angehen: im Kundenservice, in F&E, Einkauf, Finanzen…)
- KI-Innovationen begleiten, Talente und Tech-Plattformen aufbauen
Jeder BASF-Mitarbeiter wird in die Lage versetzt, sichere KI im Alltag zu nutzen.
Für den verantwortungsvollen KI-Einsatz hat sich BASF sieben 7 KI-Prinzipien gegeben:
- Ethisch: Nach ethischen Standards und gesetzeskonformer Einsatz
- Transparent: Verständlich und nachvollziehbar
- Verantwortlich: hinsichtlich der Auswirkungen der KI-Anwendungen
- Fair & unvoreingenommen: Gerecht und diskriminierungsfrei
- Sicher: Geschützt gegen Bedrohungen und Schwachstellen
- Datenschutzkonform: Schutz personenbezogener Daten
- Robust: KI-Systeme zuverlässig, präzise und sicher
BASF legt dabei den Fokus auf die Transformation – nicht die Tools. Da die Geschwindigkeit von KI überfordert, braucht die Transformation Führung. Nicht nur in der Zielsetzung, sondern auch in der Verantwortlichkeit für Prozessveränderungen und das Training aller (einschließlich der Führungskräfte) in den neuen Techniken.
Transformation
Birgit Strodel, Professorin für Computational Biochemistry (Theoretische Chemie) am FZ Jülich / HHU Düsseldorf, zeigte in ihrem Vortrag „Transformation der Chemie durch KI“ aus eigener Erfahrung Impulse für Forschung und Lehre.
Sie hat ein Modul „KiChem“, bestehend aus 11 Vorlesungen und 10 Übungen à 90 min, entwickelt, das erstmals im Sommersemester 2025 stattfand und KI in das Chemiestudium integrieren soll.
Die Übungen wurden durch drei Tutoren entwickelt: Da im Chemiestudium nicht programmiert wird, wurde Python für Einsteiger (3 x 90min; statt Basic, C++; Fortran) eingeübt, dann folgten je 90 min Machine Learning, Supervised Learning, Unsupervised Learning, Deep neuronal Networks und Explainable AI. Welche Faktoren sind wichtig? In der letzten Übung wurde ein neuronales Netzwerk programmiert und in 20 min Präsentation aufbereitet.
In der Forschung wird KI in der molekularen Simulation genutzt, um die Aggregation von Proteinen bei Alzheimer und Parkinson sowie mögliche medikamentöse Ansatzpunkte zu untersuchen (Datenanalyse-Eigenentwicklung Dynamin-like Proteins mit DFG-Förderung).
Die Ausbildung muss sich erst noch darauf vorbereiten, die richtige Balance zwischen KI und herkömmlicher Forschung, zwischen Simulation und Experiment, zu finden:
Im Protein Engineering eröffnen N Aminosäuren/Protein 20 N Möglichkeiten – um die Optionen einzugrenzen, sind andere Ansätze nötig, z. B. die Frage: Was sind die aktiven Zentren? In der Perspektive sind neue Einsichten & Beschleunigung der Arbeitsprozesse, so wie früher der Taschenrechner den Rechenschieber abgelöst hat.
Verändert die andere Qualität der Tools die Ergebnisse?
Nils Janus, Chief AI Officer (CAIO) bei Covestro, sieht KI als einen neuen Motor für die sehr guten, etablierten Geschäftsmodelle und Märkte in der Chemie.
Nach der Einführung von Chat GPT Ende 2022 folgte 2024 eine Welle großer Investitionen vieler Technologiefirmen in KI – solche Kapitalallokation in ein Thema (Chips, Rechenzentren, neue Modelle, neue Anwendungen) hat die Welt noch nicht gesehen. Der Energiebedarf der Rechenzentren stieg von 300 MW auf 5 GW. Microsoft kauft für 20 Jahre Strom aus den Three Mile Island Atomkraftwerken und Andre planen Small Modular Reactors (Mini-Kraftwerke oder gar den Einsatz von Fusionsenergie. Auf Ebene der Staaten sollen 2025 ausgegeben werden: US Stargate 500 Mrd. $, China 1 bil Yuan (180 Mio. $), EU für 200 Mrd. €. Als Wette auf die Zukunft ist das nie mit 20$ für ChatGPT refinanzierbar.
Die Modelle für die Menschheitsprobleme sind noch nicht so weit, aber wenn KI die besten Onkologen vervielfältigen könnte, könnte das Krebsproblem eher gelöst werden!?
Warum sollte sich die Chemische Industrie dafür interessieren? – Weil die Durchbrüche bei KI näher an die Materie heranrücken.
Proteinstrukturen können auf Basis von Aminosäuresequenzen mit tiefen neuronalen Netzen inzwischen vorhergesagt werden – Hassibis und Jumper erhielten dafür 2024 den Nobelpreis (für die Entwicklung von AlphaFold als Open Source auf Google DeepMind). GNoME (Graph Networks for Materials Exploration) ist ein weiteres Open Source-Programm, das neue Materialien für z.B. Supraleiter und Batterien findet.
Damit stellt sich die Frage nach der Sicherung von Investitionen in der Chemie – da sich das nachhaltige Wachstum von den menschlichen Begrenzungen löst. Mehr Kapazität und mehr Geschwindigkeit - auch mit Heuristiken zur „Komplexitätsbewältigung“ – lösen die Probleme der Welt. Wie gehen wir damit um, wenn die Einschränkungen nicht mehr existieren?
Sechs Prinzipien sind invariant auf Entwicklungsgeschwindigkeiten:
- Hohes disruptives Potential: Was ist der “defendable Core” (Vertrieb, Produktion, …)?
- Geschwindigkeit und Technologie: Welt verbessern durch bessere Produkte (280 Mio. EUR F&E Budget für Covestro)
- Menschen „mitnehmen“ („Identität“ der Kollegen: Modelle waren erst schlecht)
- Adoption: Nutzung von dem, was da ist: so radikal wie möglich testen, validieren und integrieren
- Roadmap („5-Jahres-Plan“) ist nicht sachdienlich: DeepSeek hat jeden Experten überrascht: Experten-Modelle funktionieren einfach auf schlechter Hardware. Eher 5 Monats-Pläne…
- Strategie: Wie bereiten wir uns auf die Zukunft vor?
Computer verändern die physische Realität (auch in der Produktion): Gehen wir (als Firma, Nation, Planet) es an!
Herausforderung: Peer review ist träge. Zur Verdeutlichung: Nach altem Modell benötigt ein peer reviewed Artikel in Nature bis zur Veröffentlichung 19 Monate. Aber die Performance der Tools ist in 12 Monaten so stark gestiegen, dass es ein großer Wettbewerbsvorteil ist.
Wettbewerbsvorteil: Schneller lernen als andere!
Wie lernen wir schneller?
Nils Weskamp, Theodor Theis, Beyond the Algorithm: Wie Boehringer Ingelheim KI bei der Entwicklung neuer Medikamente mit menschlicher Expertise integriert.
Die Entwicklung neuer Medikamente bis zur Zulassung dauert etwa 10-15 Jahre (und 95% der Entwicklungen scheitern). KI kann Unterstützungssysteme bauen, die auf drei essenziellen Zutaten beruhen: 1. große Mengen Daten guter Qualität, 2. Richtige Algorithmen und Methoden (welches GPT?) und 3. als Bottleneck: Erkenntnisse in Nutzererfahrung umsetzen.
Boehringer digitalisiert seit 1970 chemische Strukturen und die Datenmigration hat immer stattgefunden – daher ist ein „Datenschatz“ vorhanden (z. B. wässrige Löslichkeit für über 100.000 Verbindungen).
Die ersten „In silico“-Modelle waren in der Vorhersage noch nicht gut genug. Es galt, die Benutzer-Erfahrung zu adoptieren, um Wert für Boehringer aus dem System zu ziehen. Dazu war 1. die Unsicherheit zu quantifizieren: Jeder Endpunkt – Modell sagt, wie sicher es sich ist. (einstufig kein Problem – 10stufig schon), 2. Erklärbarkeit und Vertrauen aufbauen (z. B.: Fall1 cLogP wichtiger Parameter; Machine Learning lag öfter richtig Fall2: Ladungen sind wichtig (waren aber nicht im System) - Welche Teile des Moleküls sind wichtig für das Molekül?) und schließlich 3. Nutzbarkeit und Interaktion: Es ist eine gemeinsame Reise von Labor-Expertise und IT.
Nathan Grube, CEO Manex AI, und Stev Drescher, Chemie-Ing. bei Henkel: Dank KI zu mehr Output und Qualität - Was sich aus anderen Industrien lernen lässt. Ziel war der Aufbau eines KI-basierten Frühwarnsystem zur Vorhersage der Viskositätswerte für Weichspüler von Henkel. Weichspüler müssen eine mittlere Viskosität im Markenprodukt aufweisen. Scherstress zerstört Viskosität.
Prozessdaten für die Viskositätsbestimmung aus der Produktion für Vorhersage nutzen: Qualitatio sagt aufgrund von 20 Prozessparameter Viskositätswerte voraus. Messung sind damit nur noch selten notwendig. Daten liegen an verschiedenen Stellen bzw. Systemen vor – Herausforderungen waren die Datenverfügbarkeit und-struktur (Auftragsdaten – Prozessdaten – manuelle Labordaten – Abfülldaten als Input): Ausgehend von der Bill of Material waren 15 Systeme zu integrieren (Siemens, SAP…). Business Impact: Was sind die Einflussfaktoren? Wie viel Effizienz ist gegenüber dem Ist-Zustand zu holen? 66% direkt abfüllbar; 33% prüfend 73 Stunden/Linie oder 7,5 min. Produktionszeit pro Auftrag einsparbar (statt 878 nur 298 Prüfungen): 2 Mio. Flaschen mehr produzierbar!
Ziel ist die digitale Qualitätsmessung – neben Viskosität auch pH-Wert, Farbe, Gehalt Aktivstoffe … - ideales Set-up für KI-Implementierung: Plattform LLM.
Politische Gedanken: Worauf wetten die privaten Geldgeber? Top-Silicon-Valley Funds sind mit eingestiegen - Wette ist Automatisierung von White collar Arbeit!
Die europäische Alternative zu Palantir ist Manex AI.
Die Daten der Automatisierung landen bisher in US-Plattformen, und damit in anderen Sozialsystemen. Europäische Chemie ist weit in Sensorik, Monitoring, automatischer Prozessteuerung. Digitale Produktpässe sind in Vorbereitung.
Das Training mit „eigenen“ Daten gilt es, patentrechtlich zu schützen.
Konrad Lehr, Boston Consulting, Wie man die Kraft der KI entfesseln kann.
Große IT-Transformationen (SAP, Oracle, Workday) sind in den meisten Unternehmen unterwegs – wie lassen sich die Themen kombinieren? Und wie hoch ist der Kernpotential aus Gesamt-Unternehmenssicht?
Antworten versucht die Build for the future 2025-Studie The-Widening-AI-Value-Gap-Sept-2025.pdf zu geben. BCG sieht die Chemie etwas hinter der Autoindustrie auf der S-Kurve der Marktpenetration bei GenAI (mit 1 Jahr Rückstand).
Wo nutzen wir KI in der Chemie? Bei R&D / Innovationen, zur Qualitätssicherung (Korrelationen) und beim Inventory forcasting. In der Erarbeitung sind das Pricing: Komplexität (Wie werden Preissteigerungen weitergegeben?), die Customer-Relations und die Supply Chain. Wo sind die größten Potentiale in den nächsten Jahren?
Nachhaltigkeit wird wichtiger – und Wert kann überall geschaffen werden (Mehr Umsatz - weniger Kosten - höhere Transparenz). Es ist ein End-to-End Approach nötig: Viele Felder mit Use-Case (Jedes Feld hat mittlerweile einen Use-Case…).
Im Einkauf bringt die Nutzung von Chat GPT 20% Effizienzgewinn. GenAI kann komplett übernehmen, Vergleichstabellen und Ranking mit Preisdifferenzen darstellen (End-to-End Prozess).
Gamechanger: Wie kommen wir zu besseren Entscheidungen? Planungen und Finanzen nutzen viel mehr AI, um einfache Entscheidungen zu treffen. Durchplanen von Szenarien und Beraterarbeit kann direkt in den Modellen für das Management entwickelt werden. Nur bei der Regulatorik ist noch niemand unterwegs.
Produktionsplanungen mit erfahrenen Produktionsleitern: „Auslastungen möglichst hochhalten“ - aber finaler Indikator ist: Wie mache ich besonders viel Gewinn? Schneller Szenarien durchrechnen als Wettbewerbsvorteil.
IT-Transformationen für ERP und HR und Salesforce: Wie können wir das maximale Potential nutzen? Nur was dokumentiert ist, hilft der KI.
Early Adopter sind wir in der Chemie noch nicht: Neue Standorte mit viel Sensorik sind noch nicht in der KI angekommen – in den Stahlwerken ist mehr Know-how aufgebaut und die Adaptionsrate ist höher!
Anbieter
