Das Wirtschaftsmagazin Capital hat LabV in der „Best of AI 2025“-Kategorie AI Use Case gelistet. Ausgezeichnet werden Anwendungen, die Wirkung statt Hype liefern und verantwortungsvoll mit KI umgehen. Für F&E-Teams heißt das: Materialdaten nutzbar machen, Varianten vergleichen und fundierter in der Produktentwicklung entscheiden.
Warum die Shortlist relevant ist
Capital bewertet in der Kategorie AI Use Case drei Dimensionen: strategische Einordnung und Innovationshöhe, messbare Wirkung im Alltag sowie Governance & Compliance, insbesondere mit Blick auf den EU AI Act.
LabV ist innerhalb der NETZSCH-Gruppe entstanden und baut auf über 150 Jahren Industrieerfahrung sowie mehr als 60 Jahren Materialanalytik auf.
„Unsere Leitidee ist eine Industrie, in der Daten, KI und intelligente Arbeitsabläufe die Materialentwicklung neu denken: vernetzt, effizient, zukunftsfähig“, sagt Geschäftsführer Dr. Stefan Thomas. „Mit LabV etablieren wir Material Intelligence als neue Software-Kategorie für die Industrie: Materialdaten werden nutzbar, Entscheidungen belastbarer und Entwicklungszyklen kürzer. Von der Industrie für die Industrie.“
Mit LabV etablieren wir Material Intelligence als neue Software-Kategorie für die Industrie: Materialdaten werden nutzbar, Entscheidungen belastbarer und Entwicklungszyklen kürzer. Von der Industrie für die Industrie.“
Drei Belege für Wirkung & Verantwortung
1) Messbare Wirkung statt Versprechen
In Projekten sinkt der Aufwand für Datenerfassung, -suche und -aufbereitung um bis zu 60 %. Entwicklungszyklen verkürzen sich; Entscheidungen werden nachvollziehbarer, weil vergleichbare Datenstände an die Stelle von Versionenchaos treten. Möglich wird das, weil LabV Messwerte, Rezepturen und Prüfungen mit Kontext wie Prozessen, Materialdaten oder etwa Varianten bündelt. So entstehen belastbare Analysen, Doppelversuche werden vermieden, Ausschuss sinkt, und Entscheidungen in der F&E werden datenbasiert getroffen.
2) Governance & Transparenz by design
Die Plattform setzt auf DSGVO-konforme Architektur mit Rollenrechten (RBAC), Protokollierung und Datensparsamkeit. Modelle sind erklärbar: Wo klassische ML-Verfahren bessere Kontrollierbarkeit bieten, werden sie priorisiert; generative Komponenten kommen gezielt und dokumentiert zum Einsatz. Dokumentation und Nachvollziehbarkeit sind nicht Add-ons, sondern Teil des Standardbetriebs.
3) EU AI Act früh mitgedacht
Der EU AI Act ist das erste umfassende KI-Gesetz der EU und reguliert die Künstliche Intelligenz risikobasiert. Er fordert unter anderem Transparenz, Dokumentation und menschliche Aufsicht. Entsprechende Transparenz-, Dokumentations- und Validierungsroutinen sind in LabV verankert. Das Risikomanagement orientiert sich an gängigen Standards (z. B. BSI-IT-Grundschutz/200-3) und adressiert u. a. Fehlinterpretation, unautorisierte Weitergabe und Modell-Drift; Maßnahmen werden fortlaufend aktualisiert, sobald sich regulatorische Leitplanken konkretisieren.
Was Material Intelligence konkret leistet
Material Intelligence versteht industrielle Daten als strategische Ressource. Der Ansatz ist nicht „mehr Visualisierung“, sondern Daten in der Forschung und Entwicklung nutzbar machen. Eben Daten der F&E mit Kontext, Konsistenz und Vergleichbarkeit nutzbar und schnell analysierbar zu machen.
- Verbinden: Geräte, Prüfstände, Messmethoden, ERP – durchgängiger Datenfluss statt Silos.
- Vergleichen: Versionen, Varianten, Parameter werden vergleichbar, nicht nur auffindbar.
- Verstehen: KI-gestützte Analysen machen Muster und Abweichungen nachvollziehbar.
- Entscheiden: Entscheidungsreife Insights statt reiner Dashboards.
Das Ergebnis: Weniger Such- und Aufbereitungszeit, stabilere Vergleiche, kürzere Schleifen von der Idee bis zur verlässlichen Aussage.
Mini-Fall aus der F&E-Praxis
In einem F&E-Projekt lagen Materialdaten wie beispielsweise Prüfberichte aus Rheologie und Thermoanalyse über verschiedene Ordner und Systeme verstreut; Parameter waren uneinheitlich, die Auswertung der Rezeptvarianten entsprechend mühsam. Wir haben die Quellen angebunden, gemeinsame Templates eingeführt und eine Vergleichslogik für Versionen, Varianten und die Parameternormalisierung etabliert. Statt einer reinen Dashboard-Ansicht gibt es heute eine Entscheidungsansicht, die den Variantenvergleich in wenigen Schritten ermöglicht. Der Effekt: rund 60 % weniger Aufbereitungsaufwand. Entscheidungen für die nächste Iteration fallen so schneller und vor allem datenbasiert. Mehr Informationen dazu erfahren Sie beispielsweise in unserem Whitepaper.
Fazit & nächste Schritte
Material Intelligence macht Daten nutzbar – für schnellere, nachvollziehbare Entscheidungen in der F&E. Wer weniger aufbereiten und mehr entscheiden will, braucht vergleichbare Datengrundlagen statt weiterer Inseln.
Wenn Sie tiefer einsteigen möchten: Wir beraten Sie gerne und geben Ihnen einen kurzen informativen Einblick, wie datenbasierte Entscheidungen aussehen und wie sie die F&E voranbringen.
Autor: Dr. Marc Egelhofer