Volatile Rohstoffpreise, unterbrochene Lieferketten und steigende Beschaffungskosten: F&E-Abteilungen in der Formulierungsentwicklung stehen unter Druck. Neue Zölle, geopolitische Spannungen und Angebotsengpässe sorgen dafür, dass Planungshorizonte kürzer werden und Kostenkalkulationen schneller überholt sind, als sie erstellt werden. Preisschwankungen von 10, 20 oder 50 Prozent innerhalb weniger Wochen sind längst keine Ausnahme mehr, sondern operative Realität. Das Ziel bleibt dabei unverändert: qualitativ hochwertige Produkte, schnelle Entwicklungszyklen und wirtschaftliche Effizienz.
Was dabei häufig übersehen wird: Eine Stellschraube für Kosteneinsparungen liegt im Labor. Die F&E hat über die Reduzierung von Versuchen einen großen Einfluss auf ihren Rohstoffverbrauch. Wie groß dieser Einfluss ist, hängt davon ab, wie systematisch die Entwicklungsabteilung mit ihren Daten arbeitet.
Der versteckte Kostentreiber: überflüssige Versuche
In der Formulierungsentwicklung ist jeder Versuch mit direkten Kosten verbunden: Rohstoffe, Laborzeit, Gerätekapazität und Dokumentationsaufwand. Häufig unterschätzt werden die indirekten Kosten: die Zeit, die vor einem Versuch in die Datensuche fließt, die Opportunitätskosten eines belegten Labors sowie der Verzug bei der Markteinführung, den jeder unnötig wiederholte Versuch verursacht.
Wenn Versuche aufgrund unvollständiger Ausgangsdaten erneut durchgeführt werden, multiplizieren sich diese Kosten — ohne zusätzlichen Erkenntnisgewinn. Die Rechnung dahinter ist einfach: Kosten pro Versuch, multipliziert mit der Anzahl der Versuche pro Projekt, multipliziert mit dem Anteil vermeidbarer Wiederholungen, multipliziert mit der Anzahl laufender Projekte pro Jahr. Wer an dieser Stellschraube dreht, erzielt strukturelle Einsparungen.
Versuche werden wiederholt, weil das institutionelle Gedächtnis fehlt. Wissen geht verloren, weil es nie strukturiert erfasst wurde. Klassische Laborinformationssysteme — LIMS — lösen dieses Problem nur teilweise: Sie verwalten Proben und Messergebnisse, sind aber selten auf die vernetzte und iterative Formulierungsentwicklung ausgelegt, bei der Rohstoffe, Rezepturen, Prozessparameter und Versuchshistorie zusammenspielen.
Ressourcenverschwendung im Labor hat auch eine ökologische Dimension: Jeder überflüssige Versuch verbraucht nicht nur Budget, sondern auch Energie, Wasser und Rohstoffe. Effizienz und Nachhaltigkeit sind in diesem Fall zwei Seiten derselben Medaille.
Das stille Risiko: Wissen, das das Unternehmen verlässt
Es gibt einen weiteren, oft unterschätzten Faktor: den Generationswechsel in F&E-Abteilungen. Erfahrene Entwickler und Laborleiter, die in den Ruhestand gehen, nehmen häufig undokumentiertes Expertenwissen mit. Sie waren die Ansprechpersonen für Fragen zur Materialauswahl, zu Prozessparametern oder dazu, warum eine bestimmte Formulierung vor zehn Jahren verworfen wurde.
Dieses Erfahrungswissen ist für die Rohstoffsubstitution besonders wertvoll: Welche Alternativen wurden früher erprobt? Welche haben funktioniert — und welche nicht, und warum? Wenn diese Antworten nicht dokumentiert sind, müssen die Entwickler bei jeder neuen Rohstoffkrise bei null anfangen.
Der pragmatische Weg aus diesem Dilemma: Wissen direkt an der Quelle sichern. Zu jedem Rohstoff können Erfahrungswerte, Beobachtungen und Verarbeitungshinweise in einer zentralen Datenbank dokumentiert werden. Dasselbe gilt auf Versuchsebene:
- Was ist bei dieser Probe aufgefallen?
- Was hat sich anders verhalten als erwartet?
- Welche Bedingungen waren ungewöhnlich?
Strukturierte Notizen auf Versuchsebene verwandeln Rohdaten in strukturiertes Wissen und schaffen die Voraussetzung für ressourceneffiziente Entwicklung.
Wenn ein Rohstoff wegfällt: Reaktion statt Kontrolle
Neben dem täglichen Ressourcenverbrauch gibt es ein zweites, akuteres Problem: den Ausfall eines Rohstoffs. Unterbrochene Lieferketten — ausgelöst durch geopolitische Konflikte, neue Zollregime oder Produktionsengpässe bei Schlüssellieferanten — können eine gesamte Produktlinie gefährden.
Ein typisches Szenario: Ein Lieferant kündigt an, dass ein Rohstoff ab dem dritten Quartal nicht mehr verfügbar sein wird. Der Entwicklungsleiter erinnert sich, dass vor zwei Jahren bereits an einer Substitution gearbeitet wurde — doch wer das war und wo die Ergebnisse liegen, ist nicht bekannt. Versuchsdaten verteilt in Excel-Dateien, das Prüfprotokoll als PDF in einem anderen Ordner. Nach mehreren Stunden Suche beginnt das Team den Versuch von vorne.
Was dann folgt, ist eine aufwändige, fehleranfällige Analyse: Welche Rezepturen sind betroffen? Wie viele Produkte hängen an diesem einen Rohstoff? Welche Alternativen gibt es und wurden sie jemals erprobt?
Ohne strukturierte Datenbasis ist diese Analyse mühsam. Mit den richtigen Werkzeugen lässt sich das Risiko in Minuten sichtbar machen: Eine gezielte Suche zeigt sofort alle Rezepturen, die den betroffenen Rohstoff enthalten, und macht das Ausmaß des Problems quantifizierbar.
Drei Fragen, die jede F&E in der Krise sofort beantworten können sollte
Strukturierte Daten ermöglichen in einer Rohstoffkrise etwas, das ohne sie schlicht nicht möglich ist: schnelle, zuverlässige Antworten auf die drei entscheidenden Fragen.
Erstens: Welche Rezepturen sind betroffen? Eine zentrale Rohstoffbibliothek, die mit Formulierungen, Prozessstandards und Versuchsergebnissen verknüpft ist, liefert diese Antwort in Sekunden — statt nach stundenlanger manueller Suche.
Zweitens: Was wurde früher zu diesem Rohstoff bereits getestet? Gezielte Filter in einer strukturierten Versuchsdatenbank zeigen nicht nur ob etwas getestet wurde, sondern auch mit welchem Ergebnis und unter welchen Bedingungen. Dieses Wissen ist in den meisten F&E-Abteilungen vorhanden. Aber ohne strukturierte Datenbasis ist es faktisch nicht zugänglich.
Drittens: Wie sichern wir, was wir jetzt lernen? Was unter Krisenbedingungen getestet wird, ist oft wertvoller als Dutzende Routineversuche. Ein Rohstoff, der auf seine Grenzen geprüft wird, zeigt sein Verhalten unter realen Bedingungen. Diese Erkenntnisse sollten nicht verloren gehen.
Von der Risikoanalyse zur Alternativformulierung
Datentransparenz ist die Voraussetzung für den nächsten Schritt: die Entwicklung konkreter Alternativformulierungen. Hier kommt KI ins Spiel. Ein KI-Assistent, der auf strukturierten Formulierungsdaten, definierten Produktanforderungen und der eigenen Versuchshistorie aufbaut, kann auf Basis bewährter Rezepturen mögliche Substitutionen vorschlagen: In Form einer priorisierten Auswahl von Alternativformulierungen, die gezielt getestet werden können.
Teams, die ihre Datenbasis kontinuierlich pflegen, müssen Alternativen nicht erst in der Krise suchen. Sie können potenzielle Ersatzstoffe bereits testen, bevor ein Engpass eintritt und sind damit strukturell im Vorteil gegenüber Unternehmen, die erst dann reagieren, wenn der Druck bereits da ist.
Die Voraussetzung: strukturierte Daten — und die richtige Reihenfolge
Alle beschriebenen Szenarien setzen eines voraus: eine belastbare, strukturierte Datenbasis. Wer Formulierungsdaten in Excel-Tabellen, isolierten ERP-Systemen oder handschriftlichen Labornotizen verwaltet, kann weder schnell reagieren noch fundiert planen. Auch klassische LIMS-Systeme stoßen hier an Grenzen: Sie sind auf Probenmanagement und Compliance ausgerichtet — nicht auf die vernetzte Suche über Rohstoffe, Formulierungen und Versuchshistorie hinweg, die in einer Rohstoffkrise entscheidend ist.
Eine zentrale Datenbank, die all diese Ebenen zusammenführt, ist keine optionale Ergänzung. Sie ist die Grundlage für datenbasierte Entscheidungen und die Voraussetzung dafür, dass KI-Funktionen nutzbare Ergebnisse liefern.
Wichtig ist die Reihenfolge. KI in der F&E funktioniert in drei Stufen:
Die erste und wichtigste ist die Datenbasis: Daten müssen strukturiert, verknüpft und durchsuchbar sein, sonst kann KI keine belastbaren Ergebnisse produzieren. Die zweite Stufe ist assistierende KI: Suche, Analyse und Unterstützung bei der Dokumentation. Die dritte Stufe ist vorhersagende KI: KI-gestützte Versuchsplanung, die mit weniger Versuchen bessere Ergebnisse erzielt als klassische Trial-and-Error-Methoden.
Wer die erste Stufe überspringt, wird die dritte nur schwer erreichen. Die Unternehmen, die KI heute produktiv nutzen, haben vorher ihre Daten strukturiert. Wer heute strukturierte Datenprozesse etabliert, kann bei der nächsten Krise schneller reagieren und Alternativen gezielter bewerten.
Was das für F&E-Abteilungen bedeutet
Wer den Ressourcenverbrauch aktiv steuern, Rohstoffrisiken quantifizieren und Materialalternativen bewerten will, braucht drei Dinge:
- Transparenz über alle Rezepturen, Rohstoffabhängigkeiten und Versuchsergebnisse an einem zentralen Ort
- Vernetzung zwischen Formulierungsdaten, Produktanforderungen und historischen Erkenntnissen
- KI-Funktionen, die auf dieser Datenbasis aufbauen und konkrete, nachvollziehbare Handlungsoptionen liefern.
Das ist keine langfristige Zukunftsvision, sondern eine infrastrukturelle Voraussetzung für moderne F&E. Je volatiler Rohstoffmärkte werden, desto wichtiger wird die Fähigkeit, auf belastbarer Datenbasis schnell und fundiert zu entscheiden.