Synthese aus Circular Finance, Physical AI, Standards, souveränen Daten und Stiftungsstrategie

STRATEGIE- UND RECHERCHEPAPIER | 03.11.2026

Grundlage: POLYPROBLEM-Reports 2023 / 2025 / 2026, Röchling Nachhaltigkeitsbericht 2025 und aktuelle öffentliche Primärquellen. Belegte Fakten, Analyse und Pilotvorschläge sind getrennt.

Arbeitsstand für das POLYPROBLEM Camp am 5. November 2026 in Berlin

Executive Decision Brief

Empfehlung: Nicht mit drei unabhängigen Technologieprojekten starten. Ein gemeinsamer problemgetriebener Pilot kann Finanzierung, industrielle Intelligenz und souveräne Datenkollaboration verbinden: eine technische Kunststoff-Materialkette mit realem Auslastungs- / Qualitäts- / Abnahmerisiko, einem interessierten Finanzierer und einem neutralen Governance-Rahmen.

Von einzelnen Nachhaltigkeitsmaßnahmen zu einem investierbaren, lernenden und interoperablen Kreislaufökosystem.

Corporate-Rolle: Röchling kann Produktionsdaten, Kunden-/Lieferantenbeziehungen und reale Materialströme einbringen. Stiftungsrolle: neutrale, gemeinwohlorientierte Netzwerkbildung und Lernen zwischen Sektoren. SINE-Rolle: Governance, Datenstandards und vertrauenswürdige Datenkollaboration. Die Trennung von gemeinnützigem Auftrag, kommerziellen Interessen und Wettbewerbsschutz ist explizit zu gestalten.

1 | Was die Quellen gemeinsam sagen

Quelle	Belegtes strategisches Signal	Konsequenz
IFC / UNEP FI / WBCSD 2025/26	Harmonisierung von CE-Finanzierungs- und
NIST / Siemens-NVIDIA 2026	KI, Simulation und autonome Systeme verändern

2 | Gemeinsame Systemarchitektur

Physische Kreisläufe: Lieferanten, Recycler, Röchling, Kunden, Anlagen und Rücknahmestrukturen liefern gemessene Material- und Betriebszustände.
Standardisierte Semantik: LCA/PCF, EPD, GCP/ISO 59020, Material- und Qualitätsklassen werden konsistent und nachvollziehbar definiert.
Sovereign Data Commons: Verträge, Rechte, Audit, Interoperabilität und ggf. vertrauliche Berechnung ermöglichen gemeinsame Evidenz ohne pauschales Offenlegen sensibler Daten.
Industrial / Physical AI: Qualitätsprognose, adaptive Prozesse, Material Matching und digitale Zwillinge erzeugen technische Erkenntnisse und Betriebsverbesserungen.
Investment Intelligence: Cashflow-, Abnahme-, Qualitäts- und Wirkungsszenarien fließen in Bankability-Dossiers und Finanzierungskriterien ein.
Lernende Governance: Akteure passen Regeln, Anreize, Standards und Datennutzung nach gemessener Wirkung an.

3 | Die drei priorisierten Programme

4 | Empfohlener integrierter Demonstrator

Technical Plastics Circular Intelligence & Finance Pilot

Präzise Pilotfrage: Können mehrere Materiallieferanten und Abnehmer ausreichend robuste und vertrauliche Daten über Materialqualität, Mengen, Ausbeute und Nachfrage bereitstellen, damit (a) eine Kreislaufanlage besser geplant und (b) ein Finanzierer ihr Risiko nachvollziehbar beurteilen kann? Optional wird ein zunächst nicht-autonomes AI-Modell zur Yield-/Qualitätsprognose getestet.

Workstream	Daten / Methode	Abnahmebedingung
W2 Data Governance	Data Contracts; Zwecke; Antitrust und IP;
W3 Daten / Standards	Material- und Qualitätsmodell; LCA/PCF;
W4 AI / Digital Twin	Prognosemodell auf abgestimmten Betriebsdaten	Nachweisbarer Mehrwert gegenüber lokaler
W6 Skalierung	Kosten-/Betreibermodell, Mitgliedschaft /

5 | Was zusätzlich fehlt – weitere systemische Bausteine

Lücke	Warum kritisch?	Antwort
Markt- und Contract Design	Daten gleichen schwache Nachfrage und
Unabhängige Datenqualität	Aggregierter Unsinn bleibt Unsinn	Datenprüfer, Prozess- und
Kartell- und IP-Governance	Wettbewerberdaten bergen rechtliche Risiken	Rechtsprüfung, Zweckeingrenzung,
Wirkung und Rebound	Mehr Recycling ist nicht automatisch
Safety & Workforce	Physical AI berührt Beschäftigte und
Sustainable Operations	Piloten scheitern nach Projektförderung	OPEX-Modell, Betreiberrolle, SLA,
Finanzielle Additionality	Fördergeld darf private Finanzierung nicht nur

6 | Entscheidungsmatrix für Stiftung und SINE

Option	Systemische Wirkung	Umsetzbarkeit	Empfehlung
Finance Data Commons	Sehr hoch bei realem
		Mittel – Partner- und Vertragsaufwand	Startpunkt am Camp
EPSM LCA- / PCF-Interoperabilität	Hoch; Branchenstandard
		Relativ hoch – bestehende Kooperation	Technischer Quick Win
Collaborative Physical AI	Potentiell hoch; stark
		Mittel bis niedrig – Safety, Datenqualität	Nach data / rights scoping pilotieren
DPP / EPD Digitalisierung	Hoch bei Kundenbedarf und
		Mittel – viele Standardebenen	Modularer Begleitpiloten
Generischer Circular-AI-Hub	Unklar	Technisch komplex und Governance-lastig	Vorerst vermeiden

7 | 180-Tage-Fahrplan

Zeitraum	Entscheidung / Arbeitspaket Nachweis
0–30 Tage	Partnerkreis; Finance-Fragen; Problemstatement; NDA/Antitrust;
31–60 Tage	Datenmapping, semantische Standards, Baseline und technische
61–120 Tage	Kontrollierter Datenaustausch; optional AI-Test;
121–180 Tage	Unabhängige Bewertung, Investment-Dossier,

8 | Gesprächskarte für das Camp in Berlin

Eröffnungsfrage: “Wenn ein Recycler, zwei Lieferanten, drei Abnehmer und eine Bank gemeinsam eine Circular-Economy-Investition ermöglichen wollen: Welche Daten müssten sie teilen, welche dürften sie nicht teilen und wer finanziert die gemeinsame Infrastruktur?”

An Röchling: “Euer EPSM-LCA-Rahmen ist ein echter Kooperationsbeleg. Welche konkrete Datenfrage ist nach der Methodenharmonisierung ungelöst?”

An Röchling Stiftung: “Wie würde ein gemeinnütziges Daten- und Finanzierungs-Lernprojekt aussehen, das auch Wettbewerbern offensteht und nicht nur einer Unternehmensgruppe nützt?”

An Finanzpartner: “Welche Information würde eine echte Bankentscheidung verändern, statt nur das ESG-Reporting zu verbessern?”

An Technologiepartner: “Wo erhöht gemeinsam trainierte Industrial AI nachweislich Rezyklatqualität, Yield oder Investitionssicherheit – und wie bleiben Produktionsdaten geschützt?“

9 | Gemeinsame Pilot-KPIs und Abbruchkriterien

Ziel	KPI-Beispiel	Abbruch / Nachbesserung
Datenzugang	Anteil freigegebener, qualitätsgesicherter Pflichtdaten	Zu geringe Datenabdeckung oder kein
Recyclingwirkung	zusätzliche hochwertige Rezyklatmenge und
AI-Wirkung	Yield-/Qualitätsprognose und operativer Nutzen	Kein Vorteil gegenüber lokaler Baseline;
Finanzierung	Verbesserung einer definierten Krediteinschätzung	Finanzpartner erkennt keinen Decision
Governance	akzeptierte Rollen, dokumentierte Rechte, dauerhafter

10 | SINEs Rolle und Grenzen

SINE kann neutraler technischer und institutioneller Enabler sein: Standardisierung, Daten-Governance, Privacy Tech, gemeinsame Lernprozesse. SINE sollte weder Bank-Kreditentscheidungen ersetzen noch allein Verantwortung für industrielle Anlagen übernehmen. Die Stiftung ist nicht als Corporate-F&E-Abteilung; zu behandeln. Entscheidend ist eine offene, faire Plattformlogik mit überprüfbarer öffentlicher Wirkung.

11 | Leseplan und Quellenanker

POLYPROBLEM 2023: S. 5–15 zu LCA, Produktpässen und föderiertem Lernen; S. 40–41 zur Verifizierbarkeit von Stoffströmen.
POLYPROBLEM 2025: S. 3–5 und 25–27 zur systemischen Handlungslücke und zu Anreizen; S. 32–34 zu kollektivem Handeln.
POLYPROBLEM 2026: S. 14–15 zu Traceless und kombinierter Finanzierung; S. 21–23 zur finanziellen Koordination; S. 32–35 zu Banken und Ökosystemen.
Röchling Nachhaltigkeitsbericht 2025: S. 10–15 Produkte, Recycling/LCA; S. 30–33 THG-Bilanz; S. 34–36 Recycling- und Ressourcenzentren.