Die neuen Chemiker

KI-Agenten in der Fabrik

Die chemische Produktion verlangt kontinuierlich hohe Auslastung, effiziente Planung und minimale Stillstandszeiten unter strengen Sicherheitsauflagen. Laut Forbes führten diese Anforderungen beim Chemiekonzern Celanese zur Entwicklung von JO.AI, einer Plattform spezialisierter KI-Agenten, die den Anlagenbetrieb grundlegend verändern soll.

Statt eines einzigen monolithischen Werkzeugs besteht JO.AI aus einem Team digitaler Spezialisten, das inzwischen in 50 Werken eingesetzt wird. Ein Agent optimiert dabei Schicht-Checklisten. Ein anderer erkennt Auffälligkeiten und meldet beispielsweise: „Korrosion könnte ein Problem in Wärmetauscher 3 sein.“ Ein dritter Agent erstellt Wartungsaufträge.

Nutzerinnen und Nutzer, Technikerinnen und Techniker sowie Führungskräfte interagieren mit JO.AI über natürliche Sprache, ähnlich wie sie mit einer menschlichen Kollegin oder einem Kollegen sprechen würden. Eine nutzerzentrierte Gestaltung und saubere Data Governance sind dabei entscheidend, wie Ibrahim Al Syed, Director of Digital Manufacturing bei Celanese, gegenüber Forbes betont.

JO.AI läuft auf einer industriellen Datenplattform, die mehr als 40 Quellen integriert, darunter 2,5 Billionen Datensätze aus Sensoren, Anwendungen und Bilddaten. Wissensgraphen helfen dem System, die Beziehungen zwischen Menschen, Anlagen und Konzepten in den Werken zu „verstehen“. Für Sicherheit und Verantwortlichkeit sorgt Celanese, indem stets ein Mensch in die Entscheidungsprozesse eingebunden bleibt.

Nach einem Pilotprojekt in einem Werk unterstützt JO.AI heute mehr als 40 Anwendungsfälle. Ein deutliches Signal für eine stille Revolution in der Steuerung chemischer Anlagen und eindrucksvolles Beispiel dafür, was agentische KI schon heute in der Produktion leisten kann. 

Die neuen Chemiker

In der chemischen Forschung ist die Entwicklung neuer Materialien entscheidend. Jedoch ist diese Forschung zugleich oft langsam, teuer und stark manuell geprägt. Konventionelle Labore arbeiten oft mit fragmentierten Werkzeugen und hohem Personaleinsatz, was Durchbrüche um Monate oder gar Jahre verzögern kann.

Am Pacific Northwest National Laboratory (PNNL) nahe Seattle in den USA verändert sich das gerade mit CACTUS (Chemistry Agent Connecting Tool Usage to Science). Als Open-Source-Prototyp veröffentlicht, beschreiben die Data Scientists von PNNL CACTUS als eine Art virtuellen Labor-Kollegen. Das System sagt molekulare Eigenschaften voraus, priorisiert Experimente und passt seine Versuchsaufbauten kontinuierlich anhand der Ergebnisse an. Es ist speziell dafür ausgelegt, Laborinstrumente direkt zu steuern.

CACTUS nutzt große Sprachmodelle, darunter eines aus Metas LLaMA3-8B-Familie, um in menschlicher Sprache zu schlussfolgern und über Chat-Oberflächen auf Anweisungen von Forschenden zu reagieren. Künftig sollen Wissenschaftlerinnen und Wissenschaftler mit CACTUS so kommunizieren können wie mit einer menschlichen Kollegin oder einem Kollegen, um Simulationen anzustoßen, Variablen anzupassen oder Versuchspläne anzufordern.

PNNL-Chefdatenwissenschaftler Kumar bezeichnet CACTUS als Meilenstein in der Cheminformatik, weil das System zeigt, wie KI-Agenten die chemische Forschung und Entwicklung neu gestalten: Labore werden schneller, intelligenter und deutlich autonomer. Das könnte den Beginn einer Ära der KI-gestützten Molekülforschung markieren, sobald sich solche Systeme in der Branche weiter verbreiten.

Agentische Produktionsplanung

Ein drittes wichtiges Anwendungsfeld für agentische KI ist die Produktionsplanung. Die ist in Chemieunternehmen eine hochkomplexe Aufgabe, die oft unter Zeitdruck stattfindet. Tausende offene Aufträge, enge Liefertermine und gemeinsam genutzte Produktionslinien machen die Entscheidung, was wann produziert werden soll, zu einem gewaltigen logistischen Puzzle.

Stellen wir uns auf Basis eines aktuellen Branchenbeispiels Folgendes vor: Ein mehrere Millionen schweres Spezialpharma-Unternehmen testet ein Multi-Agenten-System in mehr als 15 Werken.

Traditionell stützen sich Planerinnen und Planer auf SAP-Reports, Excel-Makros und allzuoft spätabendliche Telefonate mit Werksleitern. In einer agentischen Anlage wartet das System jedoch nicht mehr auf menschliche Eingaben. Es arbeitet voraus. 

Das könnte so aussehen: Um 7:45 Uhr, genau in dem Moment, in dem sich die Planerin oder der Planer einloggt, erscheint eine Meldung: „Mögliche Lieferverzögerung für den Kunden HealthCo aufgrund eines Rohstoffengpasses bei Auftrag 4715 erkannt. Geschätztes Risiko einer SLA-Verletzung: 78 %. Empfohlene Maßnahme: Priorisierung von Auftrag 4719, der gemeinsame Kapazitäten nutzt, aber ausreichend Lagerbestand hat. Ausführen?“

Im Hintergrund hat ein Team von KI-Agenten die Nachtschicht übernommen. Einer überwacht Störungen in der Lieferkette, ein anderer prüft Kapazitätsgrenzen, ein dritter bewertet vertragliche Fristen, ein vierter simuliert verschiedene Produktionsszenarien. Ein fünfter leitet das Ergebnis schließlich an die menschliche Planung weiter.

Solche Szenarien werden von machen als Vorboten einer Chemieindustrie gesehen, in der KI-Agenten Arbeitsrollen grundlegend verändern: Menschen werden stärker zu strategischen Orchestratoren intelligenter, permanent aktiver Agenten. Reaktives Krisenmanagement weicht hier im Idealfall einem vorausschauenden, präventiven Problemlösen. 

Der Weg nach vorn: Herausforderungen und Chancen

Trotz ihres großen Potenzials steht agentische KI in der Chemiebranche vor einigen Hürden. Sicherheit, Compliance und Vertrauen haben höchste Priorität, insbesondere in Laboren und Produktionsumgebungen. Viele Unternehmen kämpfen zudem mit fragmentierten Datenlandschaften, veralteter IT-Infrastruktur und der Zurückhaltung von Mitarbeitenden, Kontrolle an Software abzugeben.

Gleichzeitig ist das Potenzial enorm: Mit der Nutzung von KI-Agenten könnten Organisationen tausende Expertentage einsparen, Entscheidungsprozesse beschleunigen und den Übergang von reaktivem zu vorausschauendem Handeln unterstützen. Werden sie verantwortungsvoll eingesetzt – insbesondere mit klarer Data Governance und menschlicher Aufsicht, könnten sie neu definieren, wie Innovation, Produktion und Planung entlang der gesamten chemischen Wertschöpfungskette organisiert sind.

So gelingt der Einstieg in Agentische KI

Führungskräfte in der Chemie fragen sich zunehmend: Wo fangen wir an? Besonders geeignet für den Einsatz von KI-Agenten sind datenreiche, klar strukturierte Aufgaben, die viel Expertenzeit benötigen wie etwa Schichtplanung, Laborarbeit oder die Priorisierung von Produktionsaufträgen. Komplexe, risikoreiche Entscheidungen ohne belastbare Daten sollten dagegen vorsichtig angegangen oder auf spätere Phasen verschoben werden.

Wer sich intensiver mit Agentischer KI und ihren möglichen Einsatzfeldern befassen möchte, findet auch in unserem Whitepaper „The Agentic Shift“ vertiefende Einblicke sowie weiterführende technische Hintergründe. Darin beleuchten wir Chancen und Grenzen, technische Architekturen und Praxisbeispiele und werfen zudem einen Blick in die Zukunft mit der Frage, wohin die „agentische Reise“ führen könnte.

Klar ist: KI-Agenten sind keine Allzweckwaffe. So wie man keinen Hammer benutzt, um eine Schraube einzudrehen, sind Agenten nur dann sinnvoll, wenn sie zum jeweiligen Problem passen. Vorreiterunternehmen sind meist mit klar abgegrenzten Pilotanwendungen gestartet, bei denen schnelle Erfolge realistisch sind, und legen großen Wert auf die Gestaltung der Zusammenarbeit zwischen Mensch und Maschine. Bestehende Systeme werden weiter genutzt. KI-Agenten lernen, die Sprache von Chemikerinnen und Chemikern, Anlagenbedienenden und Planenden zu „sprechen“. Und Menschen bleiben in den Entscheidungsprozessen eingebunden, um Sicherheit zu gewährleisten, Vertrauen aufzubauen und den Agenten beim Lernen zu helfen.

Am Ende geht es nicht um Ersatz, sondern Ergänzung. Die „neuen Chemiker“, die nie schlafen, nie vergessen und ständig besser werden, entfalten ihr volles Potenzial im Zusammenspiel mit menschlichen Kollegen.

Anmerkung: Dieser Artikel wurde ursprünglich im Chemical Industry Journal veröffentlicht. 

Referenzen 

Case 1 - JO.AI 

https://www.forbes.com/sites/stevebanker/2025/02/21/celanese-leads-the-pack-when-it-comes-to-agentic-ai/

Case 2 – CACTUS 

https://pubs.acs.org/doi/10.1021/acsomega.4c08408

https://www.hpcwire.com/2025/01/16/new-ai-agent-connects-computer-reasoning-with-chemistry

Reports & Surveys 

LangChain report: https://www.langchain.com/stateofaiagents

Tray.io Study: https://cloud-computing.tmcnet.com/breaking-news/articles/461539-state-ai-agent-development-strategies-the-enterprise.htm