KI als Enabler für neue Geschäftsmodelle

Multivac bringt dafür eine breite industrielle Basis mit. Das Unternehmen verweist auf mehr als 40.000 realisierte Kundenprojekte weltweit und versteht sich längst nicht mehr nur als Maschinenbauer, sondern als Lösungsanbieter für komplette Linien. Der Schwerpunkt liegt weiterhin auf Lebensmittelverpackungen und -verarbeitung, ergänzt um Anwendungen etwa in Consumables und Medical. Die Gruppe ist global aufgestellt, mit 7.500 Mitarbeitenden, 85 Landesgesellschaften, 14 Produktionsstandorten, 18 Trainings- und Anwendungszentren sowie rund 1.400 Beratern und Servicetechnikern.

Von der Digitalisierung zur KI

„Zentrale Hebel für Wettbewerbsfähigkeit in der Verpackungsindustrie“

Bei der Multivac-Pressekonferenz auf der Interpack gaben Traumann und Dr. Tobias Richter Einblicke in die Geschäftsentwicklung sowie in strategische Schwerpunkte des Unternehmens. Unter dem Motto „Think connected. Make it smarter“ präsentiert Multivac in Düsseldorf vernetzte Lösungen für die Lebensmittelindustrie sowie Konzepte für die Medizin- und Pharmabranche.

Redaktion neue verpackung

Grathwohl ordnete KI zunächst in die Digitalisierungsstrategie von Multivac ein. Das Unternehmen beschäftigt sich seit 2017 intensiv mit IoT und Smart Services. Ziel war von Beginn an, vernetzte Maschinen nicht nur als Datenquelle zu nutzen, sondern gemeinsam mit Kunden Produktivität, Effizienz, Anlagenverfügbarkeit und Qualität zu verbessern. Daraus entstand das Leistungsversprechen „PEAQ Promise“: Productivity, Efficiency, Availability und Quality.

Im digitalen Portfolio finden sich heute unter anderem My-Multivac als Kundenportal, Smart Services als Effizienz-Tools, Line Control als Liniensteuerung, Remote Assistance sowie integrierte KI-Anwendungen. Bei den Smart Services reicht das Spektrum vom Smart Production Dashboard über OEE-Analyse, Log-Analyse und Produktions-Insights bis hin zu Smart Machine Reports, Maintenance Manager und Watchdog. Die Logik dahinter: Daten sollen nicht gesammelt werden, weil es technisch möglich ist, sondern weil daraus konkrete Assistenz-, Analyse- oder Präventionsfunktionen entstehen.

Denn ,so Grathwohl, im Rückblick auf die ersten Smart-Services-Gespräche mit Kunden sei deutlich geworden, dass diese weniger an abstrakten Zukunftsversprechen interessiert waren als an der Lösung unmittelbarer Probleme. Viele Lebensmittelhersteller wollten zunächst Transparenz über ihre Maschinen, OEE-Kennzahlen oder Zustände auf dem Shopfloor – und erst danach Predictive Maintenance.

Bottom-up trifft Top-down

KI ist bei Multivac Teil der Agenda 2030. Das Ziel: Künstliche Intelligenz als Schlüsseltechnologie in allen Unternehmensbereichen einsetzen, die eigene Effizienz steigern und Kunden innovative Lösungen mit messbarem Mehrwert bieten. Für Grathwohl liegt die eigentliche Kür aber nicht allein darin, interne Prozesse wie Vertrieb oder Marketing effizienter zu machen. „Ich finde, die Kür ist es, das Ding dann wirklich in die Produkte auch reinzubringen.“

Organisatorisch verbindet Multivac dafür Top-down- und Bottom-up-Ansätze. Vor rund zwei Jahren wurde eine KI-Managerin eingestellt. Zudem organisierte das Unternehmen einen KI-Tag, um Potenziale sichtbar zu machen und Mitarbeitende aus unterschiedlichen Bereichen zu inspirieren. Anschließend entstanden zahlreiche Einzelprojekte – häufig dort, wo engagierte Teams selbst Handlungsbedarf und Anwendungspotenzial sahen. Beispiele reichten vom internen Chatbot für Unternehmenswissen über KI-gestützte Marketingkampagnen bis hin zu Anwendungen in IoT, Service und Vision-Systemen.

Nach etwa anderthalb bis zwei Jahren stellte sich die Frage, wie sich diese Einzelinitiativen bündeln lassen. Multivac leitete daraus Potenzialfelder ab, die strategisch weiterentwickelt werden. Dazu zählen unter anderem visuelle Qualitätskontrolle, vorausschauende Wartung, Prozessverbesserung, Wissensmanagement, automatisierte manuelle Workflows und die Erstellung von Inhalten. Der Ansatz zeigt: KI-Management ist weniger ein einmaliger Strategieprozess als ein ständiges Verdichten von Erfahrungen aus konkreten Projekten.

Vision AI erweitert die Inspektion

Ein besonders greifbares Anwendungsfeld ist Vision AI. Multivac nutzt kamerabasierte Qualitätsinspektion bereits seit vielen Jahren, etwa für OCR-Erkennung oder klar definierte Prüfaufgaben im Medical-Bereich. Diese Systeme waren überwiegend regelbasiert und eigneten sich vor allem für Objekte, die standardisiert, gleich positioniert und eindeutig beschreibbar sind. Bei Naturprodukten wie Fleisch, Backwaren oder Geflügel stoßen solche Systeme jedoch an Grenzen: Form, Farbe, Struktur und Lage variieren stark.

KI erweitert hier das Anwendungsspektrum. Bei der KI-basierten Klassifikation von Fleischprodukten werden Bilder zunächst gelabelt, anschließend mit den entsprechenden Produktkategorien trainiert und später automatisch anhand gelernter Merkmale identifiziert. Realisierte Anwendungen nennt Multivac für Schweine-, Rind- und Hähnchenfleisch.

Der Nutzen zeigt sich etwa an einer Traysealer-Linie, die auf der Interpack 2026 vorgestellt werden soll. Unterschiedliche gefüllte Trays, etwa mit Hähnchenschenkeln, Flügeln oder anderen Produkten, können über zwei oder mehr unabhängige Zuführströme verarbeitet werden. Die KI erkennt das Produkt, steuert das produktspezifische Aufbringen des passenden Labels per Print & Apply und ermöglicht anschließend das produktspezifische Ausschleusen beziehungsweise Vereinzeln. Für Anwender bedeutet das mehr Flexibilität, weniger Umstellaufwand und potenziell weniger Maschinen- und Linien-Footprint.

Ein zweiter Vision-AI-Use-Case ist die Anomalieerkennung bei Naturprodukten. Dabei wird das System mit Bildern von Gut-Produkten trainiert. Abweichungen wie Defekte, Formfehler oder Qualitätsmängel werden anschließend automatisch erkannt. Multivac nennt realisierte Anwendungen bei Backwaren, Geflügel und Tarte Flambée. Bei Brezeln etwa lernt das System, wie eine akzeptable Produktform aussieht; deutlich abweichende Exemplare können aussortiert werden.

Vom Pay-per-Use zum Pay-per-Good-Product

Damit wird KI auch zum Enabler neuer Bezahlmodelle. Grathwohl nannte das Beispiel „Pay per good Pretzel“ als Weiterentwicklung des klassischen Pay-per-Use-Gedankens. Der Kunde bezahlt dabei nicht pauschal für Maschinennutzung, sondern orientiert an gut produzierten, qualitätskonformen Produkten. Das verschiebt Verantwortung: Der Maschinenbauer übernimmt stärker Mitverantwortung für das Ergebnis, nicht nur für die Bereitstellung der Technik.

Allerdings zeigte Grathwohl auch die Grenzen solcher Modelle. Pay-per-Use sei vielfach diskutiert, aber nicht automatisch ein Selbstläufer. Entscheidend bleibe, ob der Kunde das Modell wirklich will und ob es sein Problem besser löst als ein klassischer Kauf, Servicevertrag oder Wartungsvertrag. Grathwohl brachte es mit einem einfachen Bild auf den Punkt: „Köder sollte in der Regel dem Fisch schmecken, nicht dem Angler.“

Predictive Maintenance verändert den Service

Das zweite große Anwendungsfeld ist Predictive Maintenance. Auch hier war die Vision früh klar. Bereits 2018 skizzierte Multivac Schritte von Maschinenkonnektivität über Datenvisualisierung und Big-Data-Analytics hin zu datenbasierten Services, Predictive Maintenance und Machine Learning. Seit 2019 ist der Watchdog als erste Lösung zur Live-Zustandsüberwachung im Einsatz. Er richtet sich an Kunden, Serviceorganisationen und Business Units.

Neu hinzugekommen ist seit 2025 das Service Intelligence Center. Anders als frühere Smart-Services-Angebote ist es stärker auf den Service als Anwendergruppe fokussiert. Multivac hat dafür interne Servicegesellschaften in den Mittelpunkt gestellt und gefragt, warum vorhandene digitale Werkzeuge nicht intensiver genutzt werden. Eine zentrale Erkenntnis: Serviceteams wollen nicht durch zahlreiche einzelne Maschinen klicken, sondern kritische Zustände schnell erkennen, priorisieren und daraus konkrete Serviceeinsätze ableiten können.

Das System bündelt relevante Maschinen, sortiert sie nach Kritikalität und macht erkennbare Probleme sichtbar, etwa bei Kühlwasser, USV, Heizungen, Druckluft oder Evakuierungszeiten. Für Kunden ist die KI dabei häufig nicht direkt sichtbar. Wahrnehmbar wird vor allem ein besserer, proaktiverer und schnellerer Service.

Der wirtschaftliche Hebel überzeugt

Die Beispiele zeigen den wirtschaftlichen Hebel. Bei einem defekten Heizmodul erkannte ein Algorithmus die Anomalie und schlug den Austausch vor; die spätere Inspektion bestätigte den fehlerhaften Zustand. In einem anderen Fall führte eine nicht rechtzeitig genutzte Vorwarnung zu 32 Stunden Stillstand und 180.000 verlorenen Packungen. Bei undichter Druckluftversorgung konnte ein übermäßiger Luftverbrauch erkannt und ein defektes Ventil proaktiv getauscht werden. Der Kundennutzen lag laut Multivac bei eingesparten Kosten von 12.000 bis 26.000 Euro pro Jahr. Ein weiterer Use Case identifizierte über schwankende Evakuierungsdauern und Langzeitanalyse ein defektes Ventil; der Austausch erhöhte die Produktionsgeschwindigkeit um 1,5 s pro Takt und senkte den Energieverbrauch.

Aus Predictive Maintenance können neue Servicemodelle entstehen: von Condition Monitoring über vorausschauende Wartung bis zu All-inclusive-Maintenance-Verträgen, Pay per Availability oder Equipment as a Service. Dafür braucht es jedoch mehr als Sensorik und Algorithmen. Notwendig sind Konnektivität, Visualisierung, Big-Data-Strukturen, KI-Unterstützung, technisches Maschinen- und Linien-Know-how, Ersatzteilmanagement, proaktiver Field Service und die Fähigkeit, technische Risiken zu quantifizieren.

Fazit: KI ist ein mächtiges Werkzeug, aber kein Geschäftsmodell an sich. Sie braucht das richtige Problem, Anwender, die wissen, wann sie das Werkzeug sinnvoll einsetzen, und Training, damit es richtig bedient wird. Grathwohl: „KI ersetzt natürlich keine Jobs. Aber ja, die KI-Neandertaler, die werden halt früher oder später aussterben.“ Ob daraus neue Geschäftsmodelle entstehen, entscheidet nicht die Technologie, sondern der Kundennutzen.