Rezeptur-, Mischungs- und Formulierungsoptimierung (Futter, Lebensmittel, Beton, Kraftstoffe)

Futtermittelwerke, Transportbetonwerke, Lebensmittelhersteller und Kraftstoffmischer müssen eine Spezifikation mit der günstigsten (oder CO2-ärmsten) Kombination von Rohstoffen erfüllen, deren Preise und Qualität täglich schwanken. Klassische lineare Programmierung leistet das seit Jahrzehnten; KI ergänzt ML-Modelle, die reale Mischungseigenschaften vorhersagen (Verdaulichkeit, Betonfestigkeit, Oktanzahl der Mischung), Preise prognostizieren und den Solver laufend neu optimieren lassen. Typischer Nutzen: geringere Rohstoffkosten bei gleicher Qualität und eine dokumentierte CO2-Minderung.

Problem & Nutzen

• Heute: Eine Ernährungsfachkraft, ein Mischungsentwickler oder ein Mischungsplaner pflegt in einer Tabelle oder einem Formulierungspaket eine Matrix aus Zutaten und Randbedingungen und aktualisiert sie, wenn sich Preise oder Analysen ändern. Die Sicherheitsabstände („Überformulierung“) sind groß, weil die tatsächliche Streuung der Rohstoffe nicht modelliert wird; Kosten und CO2 bleiben dadurch ungenutzt.
• KI-Nutzen: (1) Der Solver findet in Sekunden über Hunderte Zutaten die global kostengünstigste Mischung; (2) ML ersetzt feste Tabellenwerte durch vorhergesagte, chargenspezifische Eigenschaften (z. B. aus NIR-Messungen oder Aushärtungsdaten), sodass Sicherheitsabstände schrumpfen können; (3) Preisprognosen und Was-wäre-wenn-Analysen steuern den Einkauf; (4) Zielkonflikte zwischen mehreren Zielen (Kosten, CO2, Qualitätsrisiko).
• Kostenhebel: Rohstoffe dominieren die Kosten von Mischfutter. Branchenberichte beschreiben Rationsplattformen, die bei Preis- und Bestandsänderungen laufend neu rechnen [2]. Veröffentlichte Einsparungen unterscheiden sich stark je nach Werk und Ausgangslage; messen Sie Ihre eigenen gegen eine eingefrorene Referenzrezeptur, statt sich auf Marketingzahlen zu verlassen.
• Dekarbonisierung: Zementklinker ist der Haupttreiber der CO2-Emissionen im Beton, daher ist die Mischungsentwicklung mit zusätzlichen zementartigen Stoffen (Schlacke, Flugasche, kalzinierter Ton, Kalksteinmehl) unter Festigkeits- und Dauerhaftigkeitsgrenzen ein zentraler Hebel für die Beschaffung nach EPD (Umweltproduktdeklaration).

Varianten

• Tierfutter (Mischfutter, Vormischungen, Heimtiernahrung): kostenminimale Formulierung mit Nährstoffmatrizen, Matrixwerten für Enzyme und Aminosäuren, Zusatzstoffgrenzen, Pelletqualität.
• Lebensmittel und Getränke: Kostenoptimierung von Rezepturen, Allergen- und Kennzeichnungsvorgaben, Reformulierung (weniger Zucker/Salz/Fett), Zutatenersatz bei Lieferengpässen. Die Entdeckung von Aroma oder Textur gehört zu SCI-014.
• Transportbeton und Asphalt: Mischungsentwurf nach EN 206 mit Expositions- und Festigkeitsklassen, feuchtekorrigierte Dosierung, CO2-minimierte Entwürfe.
• Mischung von Kraftstoffen und Chemikalien: Mischung in Raffinerie und Tanklager (Benzin, Diesel, Biokraftstoff-Beimischungsquoten), Schmierstoffe, Düngemittelmischungen.

So funktioniert es

1. Zutatendaten (Nährstoff-/Eigenschaftsmatrix, Preis, Bestand, Lieferantengrenzen) + Labor-/NIR-Analysen + Produktionsrückmeldung
2. Eigenschaftsmodelle (ML: vorhergesagte Verdaulichkeit, Festigkeit, Viskosität ± Unsicherheit)
3. Randbedingungsmodell (Spezifikationen, gesetzliche Grenzwerte, Anlagengrenzen, Mindest-/Höchstanteil)
4. Solver (LP / MILP / robust oder mit Wahrscheinlichkeitsbedingungen; Kosten, CO2e als Ziele)
5. Rezepturvorschlag + Schattenpreise + Was-wäre-wenn
6. menschliche Freigabe (Ernährungsfachkraft / Mischungsentwickler / QS)
7. Dosiersystem (SPS / Dosierung)
8. Rückkopplung Ist gegen Vorhersage

• Der Kern ist ein Solver, kein LLM. Die kostenminimale Formulierung ist ein lineares Programm; reale Randbedingungen (Chargengrößen, Zutat ein/aus, Mindestanteil) machen daraus ein MILP. ML sitzt um den Solver herum als Eigenschaftsvorhersage und Preisprognose.
• Robuste Optimierung: Statt eines festen Nährstoffwerts nutzt man die Verteilung der Laborergebnisse und verlangt, dass die Spezifikation z. B. mit 95 % Wahrscheinlichkeit eingehalten wird; das erlaubt günstigere Sicherheitsabstände bei kontrolliertem Risiko.
• Rolle des LLM (optional): Was-wäre-wenn-Copilot (OPT-018) und Extraktion von Lieferantenzertifikaten; es legt nie die endgültige Rezeptur fest.
• Mensch-in-der-Schleife (Human-in-the-Loop): Eine qualifizierte Ernährungsfachkraft oder ein Mischungsentwickler gibt neue Rezepturen und Änderungen der Randbedingungen frei; automatische Neuoptimierung ist typischerweise auf freigegebene Zutatenmengen und Toleranzbänder beschränkt.

Datenaufbereitung

Sie benötigen eine Zutatenmatrix (Nährstoff- oder Eigenschaftswerte, Preise, Bestand, Lieferantengrenzen), die Historie von Rezepturen und Spezifikationen, Labor- und NIR-Analysen sowie Dosierprotokolle. In einem KMU liegen diese im ERP, in der Formulierungssoftware, in Excel-Tabellen der Ernährungsfachkraft oder des Mischungsentwicklers, in Lieferantenzertifikaten (oft PDFs oder Papier) und in Laborberichten. Typische Lücken: Zutatennamen, die sich zwischen Einkauf, Labor und Rezeptur unterscheiden, fehlende Analysedaten, Matrixwerte ohne Version oder Quelle, undokumentierte Toleranzregeln und Laborwerte, die nie mit der Charge verknüpft wurden, in der die Zutat verwendet wurde.

Schritte der Aufbereitung: 1. Einen sauberen Zutatenstamm mit eindeutigen IDs und Synonymen (PREP-015) und eine Versionshistorie für Matrixwerte aufbauen. 2. Tabellen in saubere Datentabellen umstrukturieren (PREP-011) und Einheiten korrigieren. 3. Zertifikatsdaten aus PDFs und Scans extrahieren (PREP-006, DOC-014). 4. Chargen mit Zutatenlosen, Laborergebnissen und Ist-gegen-Vorhersage-Ergebnissen verknüpfen (PREP-020). 5. Randbedingungen und gesetzliche Grenzwerte als ausdrückliche Regeln mit Verantwortlichen festhalten (PREP-012). 6. Einen Holdout-Satz früherer Rezepturen für Prüfungen vorhalten (PREP-018).

Ein Solver braucht wenige, aber verlässliche Datensätze; planen Sie 30-40 % des Aufwands für die Bereinigung der Stammdaten und Randbedingungen ein. Siehe auch DATA-003 und GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• smb: A, weil ausgereifte Formulierungspakete mit ERP- und Dosierintegration zu KMU-Preisen existieren und der Prozess (kostenminimale Rezeptur unter Spezifikationen) Standard ist.
• enterprise: B, weil viele Werke, individuelle Spezifikationen und Verknüpfungen zu Einkaufs- und ERP-Daten einen Solver und Eigenschaftsmodelle unter eigener Kontrolle erfordern.
• developer: C, weil HiGHS, OR-Tools, Pyomo und BoTorch den gesamten Stack auf einem CPU-Server (HW1) abdecken.

Weg A — Kaufen (für die meisten KMU empfohlen)

• Futter: etablierte Formulierungs- und Werks-ERP-Pakete wie AFOS, MIXIT, Datacor feed ERP, Pakete im Stil von Format Solutions/Adifo sowie Plattformen von Ernährungsunternehmen (Adisseo, dsm-firmenich und Cargill/Trouw Nutrition bieten digitale Formulierungs- und Matrixdienste an; Trouw Nutrition und Adisseo haben ihre Wurzeln in der EU) [1][2][3]. Neuere Cloud-Anbieter werben mit KI-gestützter kontinuierlicher Neuoptimierung [3].
• Beton: ERP-Systeme für Mischanlagen (z. B. Command Alkon); EU-Anbieter bündeln sie oft mit der Anlagensteuerung.
• Kraftstoffe/Chemikalien: Mischungsoptimierung innerhalb von Raffinerie-Planungssuiten (AspenTech PIMS, Honeywell und ähnliche LP-Planer).
• A wählen, wenn: das Produktspektrum Standard ist, eine ERP-Anbindung existiert und Sie kein Data-Science-Personal haben. Fragen Sie nach: Versionierung der Matrix, Audit-Trail, CO2e je Rezeptur, API.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Solver: kommerzielle MILP-Solver (Gurobi, FICO Xpress, Hexaly [EU], CPLEX) in Cloud-Laufzeitumgebungen oder Google OR-Tools / HiGHS als kostenlose Engines [4][5].
• ML-Eigenschaftsmodelle: Gradient-Boosting- oder Gauß-Prozess-Modelle auf Labor-/Prozessdaten in einem verwalteten ML-Dienst in einer EU-Region (Azure ML, AWS SageMaker Frankfurt, Vertex AI EU oder EU-Anbieter wie OVHcloud, STACKIT, IONOS).
• LLM-Schicht: ein Spitzenmodell mit Tool-Aufrufen für Was-wäre-wenn-Fragen, das Solver-Modelle erzeugt und ausführt (OPT-018).
• B wählen, wenn: Sie individuelle Spezifikationen, viele Werke oder eine Anbindung an Einkaufs- und ERP-Daten benötigen.

Weg C — Selbst betreiben (Open Source)

• Solver/Modellierung: HiGHS, OR-Tools (CP-SAT, GLOP), SCIP, Pyomo, PuLP, CVXPY sowie BoTorch/Optuna für die Black-Box-Mischungssuche [4][5].
• ML: scikit-learn, LightGBM, XGBoost, GPyTorch/BoTorch für unsicherheitsbewusste Eigenschaftsmodelle.
• Hardware: HW1 (CPU-Server) genügt; die Lösung einer Futterrezeptur dauert Sekunden. Ein LLM (HW2) wird nur für die Copilot-Schicht ergänzt.

Weg D — Eigenes Training

Lohnt sich, wenn die Streuung der Rohstoffe groß ist und Eigenschaftsvorhersagen die Marge bestimmen: standortspezifische Modelle trainieren (NIR-Spektren zu Nährstoffgehalt, Mischungszusammensetzung und Alter zu Festigkeit, In-vitro-Ersatzgrößen für Verdaulichkeit). Erfordert Hunderte bis Tausende gepaarter Proben und einen sauberen Validierungsdatensatz. Bayessche Optimierung hilft, wenn jeder physische Versuch teuer ist (Betonzylinder, Tierversuche).

Stand der Technik (2026)

• Hybrides „erst vorhersagen, dann optimieren“: ML-Eigenschaftsmodelle, die MILP oder robuste Optimierung speisen, sind das Standardmuster; Bayessche Optimierung und aktives Lernen entscheiden, welcher physische Versuch als Nächstes läuft.
• CO2-armer Beton: ML-geführte Entwürfe mit zusätzlichen zementartigen Stoffen, gegen EN 206 validiert; die Genauigkeit hängt von der örtlichen Konstanz der Materialien ab.
• Grenzen und Fehlerbilder: Garbage-in (veraltete Nährstoffmatrizen, falsche Feuchte), Extrapolation außerhalb des Trainingsbereichs der Eigenschaftsmodelle, entartete LP-Lösungen, die zwischen nahezu gleichwertigen Rezepturen springen (stören den Anlagenbetrieb: Stabilitätsstrafen ergänzen), Missachtung physikalischer Randbedingungen wie Pelletierung oder Verarbeitbarkeit sowie Wechselwirkungen (z. B. Enzymeffekte), die feste Matrixwerte nur annähern.

Gemeinsame Bausteine & Kombinationen

• Solver- + Tabellen-ML-Stack gemeinsam mit OPT-005 (Bestand), OPT-002 (Produktionsplanung) und OPT-008 (S&OP); die Eigenschaftsvorhersage teilt Sensor- und Labordaten-Pipelines mit OPT-009 und OPT-038.
• OPT-018 liefert die Modellierungsschicht in natürlicher Sprache; SCI-014 und SCI-003 liefern neue Kandidatenzutaten oder Formulierungen, die durch Werkstoff-/Formulierungs-KI entdeckt wurden.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis wenige Monate (Einrichtung von Matrix und ERP); Lizenz je Werk oder Nutzer.
• Weg B/C: 3-6 Monate für ein erstes Werk; Solver sind günstig oder kostenlos, die Datenarbeit überwiegt.
• Kennzahlen: Rohstoffkosten je Tonne/m3 gegenüber eingefrorener Ausgangslage, CO2e je Einheit, Spezifikations-Überschuss (Überformulierungsmarge), Chargen außerhalb der Spezifikation, Häufigkeit von Rezepturänderungen, Prognosefehler der Eigenschaftsmodelle, Zeit zur Neuformulierung nach einem Preisschock.

Menschen & Veränderung

Beziehen Sie die Geschäftsführung für das Margenziel ein, die Leitung von Produktion oder Ernährung (department-lead) als Prozessverantwortliche sowie die Ernährungsfachkräfte, Mischungsentwickler und QS-Mitarbeitenden, die Rezepturen freigeben (end-users). Binden Sie den Einkauf und die Dateneigner von ERP und Laborsystem früh ein, denn die Zutatenstammdaten entscheiden über die Qualität. Recht oder Compliance prüfen das Futtermittel-, Lebensmittel- oder Bauproduktrecht (Kennzeichnung, deklarierte Werte); Lieferanten müssen Zertifikate in nutzbarer Form liefern. Die IT kümmert sich um die Anbindung an ERP und Dosierung.

Betriebsrat: kommt darauf an. Der Rezepturoptimierer selbst überwacht keine Beschäftigten, aber ERP- oder Dosierprotokolle, die festhalten, wer welche Rezeptur freigegeben hat, können objektiv zur Überwachung geeignet sein (§ 87 Abs. 1 Nr. 6 BetrVG, BAG-Rechtsprechung). Informieren Sie einen bestehenden Betriebsrat rechtzeitig nach § 90 Abs. 1 Nr. 3; in kleinen Betrieben ohne Betriebsrat sprechen Sie einfach mit dem Team.

Datenschutz: überwiegend keine personenbezogenen Daten; eine Prüfung durch den/die Datenschutzbeauftragte(n) ist nur für Nutzerprotokolle nötig. KI-Kompetenz: Unterstützen Sie die Fachleute mit einer kurzen Schulung zu Solver-Ergebnissen, Schattenpreisen und Unsicherheit (GUIDE-006). Beginnen Sie mit einer Produktlinie im Schattenbetrieb neben der aktuellen Rezeptur und vergleichen Sie dann Kosten und Qualität (GUIDE-009). Typische Sorge: „Die Maschine übersteuert meine Erfahrung.“ Begegnen Sie dem, indem die Freigabe durch die Fachkraft, Toleranzbänder und eine sichtbare Begründung für jede Änderung erhalten bleiben (GUIDE-008, GUIDE-011).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko. Kein Anwendungsfall nach Anhang III; es gilt nur die Pflicht zur KI-Kompetenz (Art. 4). Sicherheitsrelevant wird es hauptsächlich bei Einbettung in die Steuerung regulierter Produkte (z. B. Kraftstoffqualität, tragender Beton): Dann regelt das Produktrecht, nicht die KI-Verordnung [6].
• DSGVO: in der Regel keine personenbezogenen Daten (Material- und Prozessdaten); nur Benutzerkonten und Audit-Protokolle.
• Branchenregeln: Das EU-Futtermittelrecht (Verordnung (EG) 767/2009 über das Inverkehrbringen und die Kennzeichnung, Verordnung (EG) 183/2005 über Futtermittelhygiene, Zulassungen von Zusatzstoffen und Höchstgehalte für Kontaminanten) ist ein harter Satz von Randbedingungen, den das Modell abbilden muss; Allergen- und Kennzeichnungsvorschriften für Lebensmittel (Verordnung (EU) 1169/2011); EN 206 und nationale Ergänzungen für Beton; Kraftstoffspezifikationen nach EN 228/EN 590 und RED-III-Beimischungsquoten [7].
• Risiken: Verstoß gegen die Spezifikation durch falsche Daten (Tiergesundheit, Standsicherheit), Herstellerabhängigkeit (Lock-in) bei Matrizen, Rezepturen als Geschäftsgeheimnis (Weiterverwendung durch Anbieter einschränken), übermäßiges Vertrauen in LLM-Ausgaben.
• Gegenmaßnahmen: gesetzliche Grenzwerte als nicht lockerbare Randbedingungen, QS-Freigabe, versionskontrollierte Matrizen, laufende Überwachung von Ist gegen Vorhersage, Rückvergleich vor dem Produktivbetrieb.

Erste Schritte

1. Eine Ausgangslage einfrieren: Rezepturen, Kosten, Spezifikationsergebnisse und Überschuss der letzten 3 Monate je Produkt.
2. Die Zutatenmatrix bereinigen: Einheiten, Feuchtebasis, Version, Analysedaten, Lieferantenstreuung.
3. Aktuelle Rezepturen mit einem LP-Solver (HiGHS/OR-Tools oder einem kommerziellen Paket) nachbilden; gegen die Ernährungsfachkraft oder den Mischungsentwickler validieren.
4. Streuung (robuste Randbedingungen) und ein ML-Eigenschaftsmodell ergänzen, wo Labordaten vorliegen; einige Wochen im Schattenbetrieb laufen lassen.
5. Freigegebene Zutatenmengen für die automatische Neuoptimierung innerhalb von Toleranzbändern freigeben; Kennzahlen monatlich verfolgen.

Quellen

1. Engormix — Comparative study on feed formulation software — https://en.engormix.com/feed-machinery/feed-formulation/comparative-study-feed-formulation_a42760/
2. Cattle Daily — New feed technologies for cattle 2026 — https://cattledaily.com/new-feed-technologies-for-cattle/
3. DietForge — AI-powered cloud feed formulation platform — https://www.dietforge.ai/
4. Google OR-Tools — https://developers.google.com/optimization
5. HiGHS open-source solver — https://github.com/ERGO-Code/HiGHS
6. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. Regulation (EC) No 767/2009 on the placing on the market and use of feed — https://eur-lex.europa.eu/eli/reg/2009/767/oj
8. Datacor — ERP & formulation software for animal feed manufacturing — https://www.datacor.com/solutions/animal-feed
9. AFOS — Feed formulation software — https://www.animalfeedsoftware.com/