KI Beratung Recycling Industrie.

KI wird in der Recyclingbranche aktuell zwischen zwei Extremen verhandelt: euphorische Versprechen von Plattform-Anbietern auf der einen Seite, Skepsis und überforderte IT-Abteilungen auf der anderen. Beide Seiten sind nachvollziehbar – und beide führen selten zu Wirkung im Betrieb.

Beratung in diesem Feld bedeutet, KI von einem konkreten Engpass aus zu denken: Wo kostet Sortierung Geld? Wo kippt Qualität, ohne dass jemand es früh sieht? Wo bindet Compliance-Lesearbeit Stunden, die in der Verwertung fehlen? Aus solchen Engpässen entsteht eine realistische Use-Case-Liste, die in 6 bis 12 Monaten messbar wird – nicht in fünf Jahren.

Ich bringe operative Recycling-Erfahrung und KI-Praxis zusammen. Das heißt: keine generischen Workshops, sondern Use Cases, die zu Ihren Materialströmen, Ihren Anlagen und Ihrem Personal passen.

• Sortier- oder Qualitätsraten reichen nicht aus, manuelle Nachsortierung bindet zu viel Personal.
• Anlagenstörungen treten wiederholt auf, ohne dass ein klares Muster im Wartungssystem sichtbar ist.
• Genehmigungen, EU-Verordnungen und Kundenanforderungen erzeugen Lesearbeit, die intern niemand mehr leisten kann.
• Die Geschäftsführung wird von KI-Anbietern angesprochen und braucht eine nüchterne Einordnung, bevor investiert wird.
• Ein erster Pilot wurde versucht und ist versandet – jetzt soll es methodisch und ergebnisorientiert wiederholt werden.

Ich war vier Jahre operativ in einem GFK-Recycling-Startup verantwortlich. Ich kenne die Realität von Schichtbetrieb, Wartungsfenstern, schwankenden Inputqualitäten und der Kluft zwischen IT-Strategie und Anlagenwirklichkeit.

Parallel arbeite ich seit Jahren mit KI-Werkzeugen – nicht als Demo, sondern als Werkzeug für Analyse, Marktrecherche, Vertragsauswertung und Prozessoptimierung. Diese Doppelperspektive übersetzt KI-Möglichkeiten in das, was Ihr Betrieb tatsächlich nutzen kann.

Mandate werden klein und ergebnisorientiert geschnitten. Sie investieren nicht in ein Konzept, sondern in einen Engpass, der gelöst wird.

Sie erhalten eine priorisierte Use-Case-Liste mit Aufwand, Wirkung und Voraussetzungen – und einen ersten Piloten, der innerhalb weniger Wochen Wirkung zeigt oder ehrlich beerdigt wird.

Was nicht entsteht: eine 60-seitige KI-Strategie ohne Anlagenbezug. Was entsteht: messbare Hebel, an denen Operations, IT und Geschäftsführung gemeinsam arbeiten können.

1. 01

   Erstgespräch

   Sie schildern Engpässe und bisherige KI-Erfahrungen. Ich grenze ein, wo KI heute wirklich hilft und wo nicht.

2. 02

   Use-Case-Sicht

   Strukturierte Aufnahme von Materialströmen, Anlagen, Datenlage und Compliance-Last. Bewertung möglicher Use Cases nach Aufwand und Wirkung.

3. 03

   Pilot

   Ein konkreter Use Case wird umgesetzt – mit klarer Hypothese, einfacher Datenpipeline und definierter Erfolgsmessung.

4. 04

   Rollout-Entscheidung

   Auf Basis der Pilot-Daten entscheiden wir gemeinsam: skalieren, anpassen oder fallen lassen. Keine künstliche Pilot-Verlängerung.

Anonymisiert · Kunststoff-Recycler, Westdeutschland

Ein Kunststoff-Recycler mit rund 35.000 t Jahresdurchsatz hatte chronische Qualitätsprobleme bei einer Fraktion: rund 8 % Ausschuss durch Fremdkörper, die das NIR-System nicht zuverlässig erkannte. Eine externe KI-Plattform war im Gespräch, das Angebot lag bei 280.000 EUR Einmalkosten plus Lizenz.

In einem siebenwöchigen Mandat haben wir den Use Case neu geschnitten: eine zusätzliche Kamera vor dem NIR, ein einfaches Bilderkennungsmodell auf einer Edge-Box, trainiert auf 4.000 vor Ort gelabelten Bildern. Investition rund 38.000 EUR. Ausschussquote nach zwölf Wochen produktiv: 3,1 %. Rechnerischer jährlicher Materialgewinn rund 410.000 EUR. Die Plattform-Diskussion wurde verschoben, bis ein zweiter, größerer Engpass auftaucht.

Was bringt KI einem Recycling-Unternehmen konkret?

Drei Felder liefern heute messbare Wirkung: bessere Sortierung über Bilderkennung am Förderband, frühere Erkennung von Qualitäts- und Anlagendrift über Sensordaten und schnellere Auswertung regulatorischer Texte und Genehmigungsdokumente. Alles andere ist häufig noch Versprechen.

Brauchen wir Data Scientists und eine eigene Plattform?

Für 80 % der relevanten Fälle nein. Standardmodelle und externe APIs reichen, wenn die Datenfrage sauber gestellt ist. Eigenentwicklung lohnt sich erst, wenn der Use Case wiederkehrend, geschäftskritisch und differenzierend ist.

Unsere Anlagen sind alt. Können wir trotzdem KI einsetzen?

Ja. Eine Kamera über dem Band, ein paar Vibrations- oder Stromsensoren am Aggregat reichen für die ersten echten Hebel. Wir starten nie mit einem Plattform-Projekt, sondern mit einem konkreten Engpass.

Wie wird Datenschutz und Geschäftsgeheimnis gehandhabt?

Sensible Daten (Lieferanten, Preise, Verfahren) bleiben on-prem oder in EU-Cloud-Instanzen. Wir prüfen pro Use Case, ob ein Modell Daten überhaupt sehen muss oder ob anonymisierte Aggregate reichen.

Wie sieht ein erstes sinnvolles Projekt aus?

Vier bis acht Wochen: einen Engpass auswählen (Sortierung, QS, Genehmigung), Datenlage prüfen, ein einfaches Modell oder Werkzeug pilotieren, Wirkung messen. Erst danach wird über Rollout oder Plattform entschieden.