Fast 600 Millionen Tonnen Ölschiefer-Asche lagern in der estnischen Region Ida-Viru. Eine der größten industriellen Abfalllasten Europas. In dieser Asche stecken Rohstoffe, die der Kontinent derzeit zu hohen Kosten und mit geopolitischem Risiko importiert.
Ragn-Sells, ein internationales Recyclingunternehmen mit über 2.700 Mitarbeitenden in vier Ländern, hat sich diesem Problem direkt gestellt. Über die Tochtergesellschaft OSA entwickelte das Unternehmen ein CO₂-neutrales Verfahren zur Gewinnung von hochreinem Kalziumkarbonat aus Ölschiefer-Asche. Ein Material, das in der Farben-, Kunststoff- und Papierindustrie eingesetzt wird und CO₂ im Produkt selbst bindet.
Das ist keine Optimierung eines bestehenden chemischen Prozesses. Es ist der Aufbau von etwas, das es noch nicht gibt.
Europas Ressourcenlücke verlangt ein neues Innovationstempo
KI verdichtet jahrzehntelange industrielle Entwicklungszeiten auf Monate
70 % Menschen, 30 % Technologie: KI überwindet Silos zwischen F&E, Engineering und Business
Kumulative KI-Fähigkeiten könnten bald den Wettbewerb entscheiden
Neue Prozessentwicklungen haben immer Jahrzehnte gebraucht. Lithium-Ionen-Batterien brauchten rund 30 Jahre von den ersten Laborzellen bis zur industriellen Produktion. Kohlenstofffasern folgten einer ähnlichen Kurve. Der Weg vom ersten Experiment zur profitablen Fertigung wurde in Generationen gemessen.
Diese Zeit hat die Welt nicht mehr. Regulierung fordert heute höhere Recyclingquoten. Europas Abhängigkeit von importierten kritischen Rohstoffen ist heute eine strategische Schwachstelle. Und hunderte Millionen Tonnen Industrieabfall akkumulieren, während die Prozesse zu ihrer Verwertung erst noch erfunden werden.
Ragn-Sells entschied sich, diesen Weg mit KI zu beschleunigen. Gemeinsam mit iteratec baute das Unternehmen einen digitalen Prozesstwin, der nicht einen bekannten Prozess optimiert, sondern die Entwicklung eines völlig neuen beschleunigt.
Was wäre, wenn jedes Laborexperiment sofort in ein vollständiges Prozessdesign und einen validierten Business Case übersetzt werden könnte? Wenn nicht auf den Pilotmaßstab gewartet werden müsste, um zu verstehen, ob die Wirtschaftlichkeit stimmt? Wenn akkumuliertes Wissen aus tausenden Experimenten jahrzehntelanges sequenzielles Trial-and-Error ersetzen könnte? Diese Vision hat das Projekt von Beginn an getrieben.
Der digitale Prozesstwin kodiert die physikalische Realität des Prozesses als harte Grenzen: Massenbilanzen, Energielimits, Materialbeschränkungen, Kostenstrukturen. Innerhalb dieser Grenzen lernt eine Machine-Learning-Komponente aus Labor- und Betriebsdaten und liefert optimierte Sollwerte, wann immer sich Einsatzstoffe, Ziele oder Bedingungen ändern.
Ingenieure führen Simulationen durch und validieren Empfehlungen an der realen Anlage. Die Ergebnisse fließen zurück ins Modell. Mit jedem Zyklus wird das System präziser. Ein Laborergebnis steht nicht mehr isoliert. Es verbindet sich mit allem, was die Organisation zuvor gelernt hat.
Die Plattform funktioniert, weil sie um ingenieurstechnische Entscheidungen herum gebaut wurde, nicht um Datenanforderungen. 70 % des Projekterfolgs lagen bei Menschen und Organisation. Nur 30 % bei der Technologie.
Die meisten KI-Initiativen beginnen mit monatelanger Datenerhebung, bevor überhaupt erste Ergebnisse sichtbar werden. Process AI geht den entgegengesetzten Weg: Ingenieure, die den Prozess kennen, können das System sofort nutzen. Keine vorgelagerte Dateninfrastruktur. Kein Warten. Das Werkzeug trifft die Expertinnen und Experten dort, wo sie sind, und lernt gemeinsam mit ihnen.
Process AI has already changed how we approach scale-up decisions — combining what our process engineers know with what the data tells us, in a way that wasn't possible before. It hasn't replaced our engineers' judgement — it's amplified it. That's what makes me optimistic about where this can go.
Group Innovation Coordinator and Strategist, Ragn-Sells
Jeder Prozess, den die Plattform lernt, macht den nächsten schneller. Jeder Materialstrom, jede Anlagenkonfiguration, jeder Optimierungszyklus ergänzt einen Wissenspool, den kein Wettbewerber durch sequenzielle Entwicklung replizieren kann.
Was heute für Kalziumkarbonat aus Ölschiefer-Asche funktioniert, wird bereits für weitere Materialströme innerhalb der Ragn-Sells-Gruppe vorbereitet. Die Vision: Eine neue Prozesskonfiguration – Ausbeuteziele, Kostenprojektionen, Qualitätsparameter – könnte durch Simulation substanziell vorvalidiert werden, bevor nennenswerte Ressourcen in physische Versuche fließen. Was früher jahrelange sequenzielle Entwicklung erforderte, könnte in einem Bruchteil der Zeit einem Stresstest unterzogen werden.
Das ist mehr als ein Software-Tool. Es ist eine strategische Entscheidungsunterstützungsplattform für die Prozessentwicklung, die gerade jetzt aufgebaut wird.
Die Herausforderung, vor der Ragn-Sells steht, ist die Kernherausforderung kapitalintensiver Industrien: neue industrielle Prozesse entwickeln, unter einem Zeitdruck, den die Geschichte des Ingenieurwesens noch nicht kannte.
Von der Batterietechnologie bis zur Rohstoffrückgewinnung, von neuartigen Lebensmittelzutaten bis zur Hochleistungsfertigung: Jedes Unternehmen, das Neuland betritt, trifft auf dieselbe Realität. Die Prozesse existieren noch nicht. Die Rahmenbedingungen sind unbekannt. Der Weg vom Labor zum Markt ist lang. Und das wirtschaftliche Umfeld wartet nicht.
KI kann diesen Weg um eine Größenordnung verkürzen. Ragn-Sells zeigt, dass kumuliertes ingenieurstechnisches Wissen ein skalierbares Kapital ist, das gerade jetzt aufgebaut wird.
Das Umweltunternehmen Ragn-Sells verwandelt Abfälle in Rohstoffe, die immer wieder verwendet werden können. Ragn-Sells treibt den Übergang zu einer Kreislaufwirtschaft durch Lösungen voran, mit denen die Umwelt- und Klimabelastung durch das Unternehmen und andere Akteure verringert wird.
Ragn-Sells ist eine Unternehmensgruppe in Familienbesitz, die 1881 gegründet wurde. Das Unternehmen ist in vier Ländern tätig und beschäftigt über 2.700 Mitarbeiter. Im Jahr 2024 betrug der Umsatz von Ragn-Sells 8,8 Milliarden SEK.
