KI-gestützte Formulierungs- und Rezepturentwicklung (Lacke, Klebstoffe, Kosmetik, Lebensmittel & Aromen)

Eine Formulierung ist eine Mischung bekannter Inhaltsstoffe, deren Eigenschaften von Anteilen, Verarbeitung und Wechselwirkungen abhängen, die sich aus ersten Prinzipien kaum modellieren lassen. Formulierer arbeiten heute mit Erfahrung und Versuch und Irrtum. Small-Data-Machine-Learning und bayessche Versuchsplanung (DoE) lernen aus der eigenen Laborhistorie, sagen Leistung, Stabilität, Sensorikprofil und Kosten voraus und schlagen die aussagekräftigsten nächsten Experimente vor. So sind weniger Laborschleifen nötig, um eine Spezifikation zu erreichen oder einen beschränkten Inhaltsstoff zu ersetzen.

Problem & Nutzen

• Heute: Formulierungschemiker in Spezialchemie, Lack-, Klebstoff-, Kosmetik-, Lebensmittel- und Aromenhäusern arbeiten iterativ mit Erfahrung und klassischer Versuchsplanung. Das Wissen steckt in einzelnen Köpfen, Tabellen und unstrukturierten ELN-Einträgen; bei Personalwechsel geht es verloren. Jeder Zyklus (mischen, aushärten oder altern, prüfen) dauert Tage bis Wochen.
• KI-Nutzen: frühere Experimente als Trainingsdaten wiederverwenden, den Mischungsraum mit Ersatzmodellen und unsicherheitsbewussten Akquisitionsfunktionen durchsuchen und das Wissen in einer strukturierten Plattform festhalten. Typische Ziele: schnellere Zeit bis zur Spezifikation, weniger Experimente, günstigere Ersatzstoffe und schnellere Reformulierung, wenn eine Regulierung einen Inhaltsstoff entfernt.
• Belegstand: Hersteller berichten von starken Experimentreduktionen (z. B. nennt Citrine in einem Interview je nach Projekt 50–90 % weniger Experimente bei Kunden [2]). Betrachten Sie dies als Herstellerangaben, die von Datenqualität und Problemtyp abhängen; führen Sie einen eigenen Rückvergleich durch, bevor Sie sich festlegen.
• Regulatorischer Druck: REACH-Beschränkungen, die Inhaltsstoffverbote der EU-Kosmetikverordnung und Ziele zur Zucker-/Salzreduktion erzwingen wiederholte Reformulierung bei unveränderter Leistung [4][5].

Varianten

• Lacke, Druckfarben, Klebstoffe, Polymere: Mehrzieloptimierung (Viskosität, Aushärtung, Haftung, Glanz, VOC, Kosten); direkter Ersatz beschränkter Stoffe (z. B. PFAS, bestimmte Biozide, Lösemittel).
• Kosmetik und Körperpflege: Textur-, Stabilitäts- und Sensorikziele; Einhaltung von Angaben und Inhaltsstofflisten nach Verordnung (EG) 1223/2009 und dem Produktsicherheitsbericht [4].
• Lebensmittel und Getränke: Reduktion von Zucker, Salz oder Fett, pflanzliche Alternativen (NotCos Giuseppe ist ein bekanntes Beispiel), Haltbarkeit; Nutri-Score als Optimierungsziel oder Randbedingung; Novel-Food-Prüfung (Verordnung (EU) 2015/2283), wenn ein Kandidat-Inhaltsstoff keine EU-Verzehrshistorie vor 1997 hat [8].
• Aromen und Duftstoffe: Kreation aus einem Briefing, Reformulierung zur Angleichung an ein Referenzprodukt, Sensorik-Panel in der Schleife (z. B. Givaudan Carto im Duftbereich).
• Pharma-Hilfsstoffe/Arzneimittel: angrenzend, aber unter GxP; Plattformen gibt es, der Validierungsaufwand ist höher.
• Privatgebrauch: Rezeptanpassung für Hobbyköche wird in PERS-004 behandelt, nicht hier.

So funktioniert es

1. ELN/LIMS + raw-material DB + sensory/test data
2. data curation (units, ingredient ontology, outlier and failed-run handling)
3. featurisation (composition fractions, process settings, ingredient descriptors / fingerprints)
4. surrogate models (GP / ensembles / small neural nets, optional property foundation models)
5. constrained, multi-objective Bayesian optimisation (qEHVI-class acquisition under mixture constraints)
6. proposed experiment batch (formulator reviews, edits, approves)
7. lab runs
8. results back into ELN
9. retrain (active-learning loop)
10. regulatory/cost screening before scale-up

• Modelle: Gauß-Prozesse und Baum-Ensembles dominieren bei einigen Dutzend bis wenigen tausend Experimenten; sie liefern kalibrierte Unsicherheit, die die Exploration steuert. Graph- oder Deskriptor-Merkmale der Inhaltsstoffmoleküle helfen beim Übertragen auf andere Rezepturen.
• LLM-Schicht: extrahiert Rezepturen und Ergebnisse aus alten Berichten und ELN-Freitext, übersetzt ein Kunden-Briefing in Zielspezifikationen und beantwortet Fragen zum Formulierungswissen („Was haben wir mit diesem Verdicker probiert?“).
• Mensch-in-der-Schleife (Human-in-the-Loop): Chemiker legen Ziele, Randbedingungen und zulässige Bereiche fest, geben jede Charge frei und verantworten die Abnahme zu Sicherheit und Regulierung. Das Modell schlägt vor; es gibt kein Produkt frei.

Datenaufbereitung

Die entscheidenden Daten sind vergangene Experimente: Rezepturen, Prozesseinstellungen und gemessene Eigenschaften. In einem KMU liegen sie in Excel-Tabellen, Laborbüchern (oft auf Papier), ELN-/LIMS-Exporten, ERP-Rohstoffstammdaten und PDF-Prüfberichten, und viel Wissen steckt in den Köpfen erfahrener Chemiker.

Typische Lücken: uneinheitliche Inhaltsstoffnamen und Einheiten, fehlende Prozessparameter, fehlgeschlagene Läufe, die nie erfasst wurden (obwohl sie sehr aufschlussreich sind), gemischte Messmethoden, gescannte Berichte und Tabellen mit verbundenen Zellen.

Schritte der Aufbereitung: - Datenquellen und Lücken gegen die Zieleigenschaften abbilden (PREP-001, PREP-002); versteckte Excel-Dateien aufspüren (PREP-003). - Laborbücher und alte Berichte per OCR digitalisieren (PREP-006) und Tabellen zu einer Tabelle pro Experiment bereinigen (PREP-011). - Einen Inhaltsstoff-Stamm mit Synonymen, CAS-Nummern und Einheiten aufbauen (PREP-012, PREP-015). - Fehlgeschlagene Läufe erfassen und ein Standardformular für neue Experimente festlegen (PREP-008). - Festlegen, welche Eigenschaften als Erfolg gelten, und einen Hold-out-Testsatz bereithalten (PREP-018).

Werkzeuge: ein ELN oder eine einfache Datenbank, OpenRefine, pandas, RDKit für Deskriptoren. Planen Sie 50-60 % des Gesamtaufwands für die Datenarbeit ein; einige hundert saubere Experimente schlagen tausende unsaubere. Nutzen Sie GUIDE-003 für die Bereitschaftsprüfung.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A, weil Plattformen wie Uncountable oder Citrine Datenerfassung und Optimierung für Teams ohne Data Scientists bündeln; bestehen Sie auf EU-Hosting und Datenexport und wechseln Sie zu Weg C, wenn die Rezepturen extrem sensibel sind.
• Großunternehmen: Weg C, weil Formulierungen zentrales geistiges Eigentum sind, die Mengen über mehrere Standorte eine interne Plattform rechtfertigen und der Stack für bayessche Optimierung leicht genug für HW1 ist.
• Entwickler: Weg C, weil BoTorch/Ax, RDKit und ein offenes Extraktionsmodell volle Kontrolle über Mischungsrandbedingungen geben.

Weg A — Kaufen (Standardsoftware)

• Plattformen für Formulierung/Materialinformatik: Uncountable (F&E-Datenplattform plus ML für formulierungslastige Branchen), Citrine Informatics (sequenzielles Lernen), Albert Invent (chemienative KI; laut Presse eine von TCV angeführte Series B über 55 Mio. USD im Okt. 2026 [siehe Quellen]; Kunden- und Partnerangaben stammen vom Hersteller), Polymerize, MaterialsZone, autonome Angebote im Stil von Kebotix.
• Lebensmittel/Aromen: NotCos Giuseppe (Lizenzmodell), Givaudans hauseigene Werkzeuge (nicht als Software erhältlich), dazu Anbieter für Sensorikanalytik.
• Aus der EU oder in der EU hostbar: Prüfen Sie den Datenstandort, da die meisten Marktführer ihren Sitz in den USA haben; fordern Sie EU-Hosting, Eigentum am IP der trainierten Modelle und Ausstieg/Export der Daten. Kleinere EU-Anbieter und Beratungen gibt es, aber prüfen Sie die Referenzfälle.
• Wählen Sie A, wenn: Sie mindestens eine Produktfamilie mit mindestens einigen hundert dokumentierten Experimenten haben und kein eigenes Data-Science-Team.

Weg B — Auf Cloud-KI-Diensten aufbauen

• LLMs (Claude, Mistral, Gemini, GPT in EU-Regionen) für ELN-Textextraktion und Briefing-Auswertung mit strukturierten Ausgaben; tabellarisches ML im eigenen Cloud-Mandanten (Azure ML, Vertex AI, SageMaker oder Databricks).
• Optimierung mit offenen Bayes-Bibliotheken auf verwalteter Rechenleistung. ELN/LIMS per API anbinden (z. B. Benchling, LabWare, Dassault BIOVIA, SAP).
• Wählen Sie B, wenn: Sie Dateningenieure haben, eigene Randbedingungen brauchen und Plattformbindung vermeiden wollen.

Weg C — Selbst betreiben (Open Source)

• Bayessche Optimierung: BoTorch/Ax (PyTorch), scikit-optimize, Optuna, GPyTorch, dazu klassische Versuchsplanung im Stil von pyDOE/DoEgen [3]. Mischungspläne (Simplex-Gitter, Extremecken) gehören in die ersten Runden.
• Chemieinformatik: RDKit für Inhaltsstoff-Deskriptoren; offene Materialien-/Chemiemodelle (z. B. MACE, Encoder der Klasse ChemBERTa), wenn die Struktur der Inhaltsstoffe zählt.
• LLM-Extraktion: ein Open-Weight-Modell mit 7-30 Mrd. Parametern (z. B. Qwen-, Mistral-, Llama-Familien), betrieben über vLLM oder Ollama.
• Hardware: HW1 genügt für tabellarische/GP-Arbeit; HW2 nur, wenn Sie lokale LLM-Extraktion hinzufügen.

Weg D — Eigenes Training

Lohnt sich für große, langlebige Produktportfolios (hunderttausende Datensätze über mehrere Standorte): hauseigene Eigenschaftsvorhersager trainieren oder ein Molekül-/Materialien-Basismodell mit proprietären Daten feintunen. Braucht kuratierte, einheitlich gemessene Daten und ein Data-Science-Team; fehlgeschlagene Experimente müssen erfasst werden, weil negative Ergebnisse sehr aufschlussreich sind.

Stand der Technik (2026)

• Bayessche Optimierung mit Mischungsrandbedingungen und Batch-Akquisition ist das praktische Arbeitspferd; kommerzielle Plattformen verpacken sie für Nicht-Programmierer und ergänzen LLM-Assistenten (z. B. die Assistenzfunktionen von Albert Invent; prüfen Sie aktuelle Produktnamen), um Wissen abzufragen und Experimente zu entwerfen [1][2].
• Assistenten von der Spezifikation zur Formulierung schlagen Startrezepturen aus historischen Analogien vor; die Qualität hängt ganz von der Datenabdeckung ab.
• Selbstfahrende Labore (SCI-007) schließen den Kreis physisch bei der Pulver-/Flüssigdosierung; die meisten Mittelständler in der EU halten Chemiker weiterhin in der Schleife, mit manuellem oder teilautomatisiertem Mischen.
• Grenzen und Fehlerbilder: kleine, verzerrte Datensätze (nur erfolgreiche Rezepturen erfasst); Chargenschwankungen bei Rohstoffen; Extrapolation außerhalb des erkundeten Bereichs; nicht modellierte Alterungs- und Scale-up-Effekte (Labormischer vs. Produktion); Sensorikziele sind verrauscht und panelabhängig; Sekundärquellen widersprechen sich bei Herstellerdetails, prüfen Sie Angaben daher in Pilotprojekten. Modelle ersetzen selten Stabilitäts- und Sicherheitsprüfungen.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (tabular-ml + optimization-solver): OPT-031 (Optimierung von Mischungen/Futter/Beton), OPT-009 (Prozessparameter-Tuning an der Maschine), SCI-003 (neue Materialien; SCI-014 nutzt bekannte Inhaltsstoffe).
• Vor-/nachgelagert: SCI-018 (Interpretation analytischer Daten liefert Eigenschaftsdaten), SCI-007 (Laborautomatisierung schließt den Kreis), SCI-015 (In-silico-Toxikologie und REACH-/Kosmetik-Sicherheitsprüfung der Kandidaten), DOC-023 (SDB-Extraktion und Register beschränkter Stoffe), DOC-027 (Prüfung von Etiketten und Aussagen).
• Gemeinsame Infrastruktur: ELN-/LIMS-Datenpipeline, Inhaltsstoff-Ontologie und ein Vektor- oder Graphindex der Laborberichte sind für die anderen F&E-Fälle wiederverwendbar; der GPU-Bedarf ist gering.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis zum Pilot, 3-6 Monate bis zur Verankerung; Abopreise, dazu Aufwand für die Datenmigration, der meist überwiegt.
• Weg B/C: 3-9 Monate mit einem Data Scientist und einer Formulierungsleitung; Hauptkosten sind Datenbereinigung und Ontologiearbeit, nicht Rechenleistung.
• Kennzahlen: Experimente (oder Labortage) bis zur Spezifikation, Zeit bis zur Markteinführung je Formulierung, Trefferquote der vorgeschlagenen Chargen, Anteil der Reformulierungen, die das erste Scale-up bestehen, Rohstoffkosten pro kg, Anzahl der für das Training nutzbaren Datensätze.

Menschen & Veränderung

Die Geschäftsführung entscheidet über das Budget und darüber, wie viel geistiges Eigentum das Unternehmen verlassen darf; beziehen Sie die Abteilungsleitung (F&E-Leitung) und die Formulierer ein, die die Vorschläge nutzen werden. Die IT übernimmt ELN-/LIMS-Integration und Hosting, die Datenverantwortlichen bereinigen die Altdaten, und Recht oder Compliance prüfen Lieferanten-NDAs und, bei Kosmetik und Lebensmitteln, die regulatorischen Folgen neuer Inhaltsstoffe (GUIDE-010).

Betriebsrat: abhängig vom Einzelfall. Reine Experimentdaten überwachen keine Personen, aber ELN- und Plattformprotokolle halten fest, wer welches Experiment durchgeführt hat, wodurch das System zur Leistungsüberwachung nach §87(1) Nr. 6 BetrVG geeignet sein kann. Unterrichten Sie den Betriebsrat früh nach §90(1) Nr. 3 und vereinbaren Sie, dass Protokolle nicht zur Leistungsbeurteilung verwendet werden (GUIDE-004). Öffentliche Stellen beziehen den Personalrat ein.

Datenschutzbeauftragte(r): Personenbezogene Daten beschränken sich auf Benutzerkonten und Autorennamen; ein AVV mit dem Plattformanbieter ist dennoch erforderlich (GUIDE-005).

KI-Kompetenz: Unterstützen Sie die Formulierer mit Schulungen zu Unsicherheitsabschätzungen und Grenzen der Extrapolation (GUIDE-006). Beginnen Sie mit einer Produktfamilie und 2-3 Chemikern als Pilotgruppe, vergleichen Sie die Vorschläge mit deren eigenen Entscheidungen und setzen Sie klare Go/No-Go-Kennzahlen (GUIDE-009). Typische Sorgen sind „das Modell übernimmt mein Handwerk“ und Misstrauen gegenüber Black Boxes; begegnen Sie ihnen, indem Chemiker die Randbedingungen setzen, jede Charge freigeben und die Sicherheitsabnahme verantworten (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko; keine Kategorie nach Anhang III für interne F&E-Werkzeuge. Die Pflicht zur KI-Kompetenz (Art. 4) gilt. Keine verbotene Praxis nach Art. 5 ist betroffen. Sensorik-Panels mit Mitarbeitenden oder Verbrauchern sind gewöhnliche Forschung, keine Emotionserkennung. [6]
• DSGVO: meist keine personenbezogenen Daten; Panelisten-Daten, Antworten aus Verbrauchertests und Forscheridentitäten in ELN-Protokollen sind personenbezogen, daher Einwilligung, Datenminimierung und Pseudonymisierung anwenden.
• Branchenregeln: REACH/CLP (Beschränkungen, Zulassung, SVHC, SDB) [4], Kosmetikverordnung 1223/2009 (Anhang II verbotene Stoffe, Sicherheitsbewertung) [5], Novel-Food-Verordnung 2015/2283, EU-Vorschriften zu Lebensmittelzusatzstoffen und Kennzeichnung, Aromenvorschriften (Verordnung 1334/2008) und Biozidrecht. Die KI schlägt vor; qualifizierte Sicherheitsbewerter zeichnen ab.
• Geistiges Eigentum und Geschäftsgeheimnisse: Rezepturen sind zentrales geistiges Eigentum, daher Verträge ohne Training mit Ihren Daten, EU-Hosting und Exportrechte bevorzugen; Schutz nach der EU-Richtlinie über Geschäftsgeheimnisse.
• Gegenmaßnahmen: Modellvorschläge im Audit-Log festhalten, vor Pilotchargen eine Compliance-Prüfung verlangen, mit Bestätigungsläufen validieren und Stabilitäts-, Sicherheits- und Toxikologieprüfungen nie überspringen.

Erste Schritte

1. Wählen Sie eine Produktfamilie mit klarer Spezifikation, über 200 dokumentierten Experimenten und einem schmerzhaften Engpass (z. B. Austausch eines beschränkten Inhaltsstoffs).
2. Daten prüfen: ELN-/LIMS-Daten exportieren, Einheiten und Inhaltsstoffnamen vereinheitlichen und fehlgeschlagene Läufe einschließen.
3. Rückvergleich: die neuesten Experimente zurückhalten und prüfen, ob ein Basismodell (GP oder Random Forest) sie vorhergesagt hätte; 1-2 Herstellertests mit denselben Daten durchführen.
4. 3-4 geschlossene Runden mit je 5-10 vorgeschlagenen Experimenten fahren, wobei Chemiker jede Charge freigeben.
5. Compliance- und Kostenprüfung ergänzen, dann auf weitere Familien ausweiten.

Quellen

1. Albert Invent raises USD 55M Series B (Oct 2026) — https://en.wowtale.net/2026/10/15/235504/
2. Citrine Informatics — AI cuts R&D experiments (vendor interview) — https://greyb.com/blog/citrine-informatics-scouted-interview
3. BoTorch — Bayesian optimization in PyTorch — https://github.com/pytorch/botorch
4. ECHA — REACH regulation overview — https://echa.europa.eu/regulations/reach/understanding-reach
5. Regulation (EC) No 1223/2009 on cosmetic products — https://eur-lex.europa.eu/eli/reg/2009/1223/oj
6. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. Huntsman with Citrine Informatics (AZoM) — https://www.azom.com/article.aspx?ArticleID=25176
8. Regulation (EU) 2015/2283 on novel foods — https://eur-lex.europa.eu/eli/reg/2015/2283/oj
9. The SaaS News — Albert raises USD 55M Series B (Oct 2026) — https://www.thesaasnews.com/news/albert-raises-55m-series-b/