03. Februar 2026
Das Jahr 2026 markiert einen Wendepunkt für die produzierende Industrie in Europa. Ab dem 12. August tritt die neue EU-Verpackungsverordnung (PPWR) in Kraft – mit verbindlichen Anforderungen an Recyclingfähigkeit und Konformitätsnachweise, die weit über das bisherige Maß hinausgehen. Zur gleichen Zeit erreicht der demographische Wandel eine kritische Schwelle: Die geburtenstarken Jahrgänge der Babyboomer-Generation treten in den Ruhestand, und mit ihnen verlässt jahrzehntelang aufgebautes Erfahrungswissen die Produktionshallen.
Für sich genommen wäre jede dieser Entwicklungen bereits eine erhebliche Herausforderung. In ihrer Gleichzeitigkeit jedoch entsteht eine Konstellation, die viele Unternehmen vor ein strukturelles Dilemma stellt: Steigende regulatorische Komplexität trifft auf schrumpfende personelle Ressourcen und schwindendes implizites Wissen. Die Frage, wer künftig das Know-how besitzt, um neue Compliance-Anforderungen umzusetzen, wird damit zur strategischen Kernfrage.
Dieser Artikel beleuchtet das Zusammenspiel beider Megatrends und zeigt auf, warum Wissensmanagement und KI in der Produktion nicht länger optionale Modernisierungsvorhaben sind, sondern zur operativen Notwendigkeit werden. Am Beispiel der pharmazeutischen Verpackungsindustrie – einem Bereich, der traditionell stark reguliert und zugleich konservativ geprägt ist – wird deutlich, wie digitale Assistenzsysteme bereits heute dazu beitragen, Erfahrungswissen zu sichern, Prozesse effizienter zu gestalten und regulatorische Anforderungen zuverlässig zu erfüllen.
Mit der Verordnung (EU) 2025/40 – der sogenannten PPWR (Packaging and Packaging Waste Regulation) – hat die Europäische Union einen grundlegend neuen Rechtsrahmen für Verpackungen und Verpackungsabfälle geschaffen. Die Verordnung wurde am 19. Dezember 2024 verabschiedet, am 22. Januar 2025 im Amtsblatt der EU veröffentlicht und trat am 11. Februar 2025 offiziell in Kraft. Ihre volle Rechtswirkung entfaltet sie ab dem 12. August 2026 in allen Mitgliedsstaaten. Der vollständige Verordnungstext ist unter eur-lex.europa.eu einsehbar.
Anders als die bisherige EU-Verpackungsrichtlinie 94/62/EG, die von den Mitgliedsstaaten in nationales Recht umgesetzt werden musste, gilt die PPWR unmittelbar und verbindlich. Nationale Sonderregelungen weichen damit einheitlichen europäischen Standards – ein Paradigmenwechsel, der Rechtsklarheit schafft, zugleich aber erhebliche Anpassungen in den Unternehmen erfordert.
Die zentralen Anforderungen der PPWR lassen sich in drei Dimensionen zusammenfassen:
Erstens werden umfassende Dokumentationspflichten eingeführt. Ab dem 12. August 2026 muss für jede in Verkehr gebrachte Verpackung eine EU-Konformitätserklärung gemäß Artikel 39 der Verordnung vorliegen. Voraussetzung dafür ist ein Konformitätsbewertungsverfahren sowie eine technische Dokumentation nach Anhang VII, die unter anderem eine Beschreibung der Verpackung, ihres Verwendungszwecks und der eingesetzten Materialien enthält. Diese Dokumente sind für Einwegverpackungen fünf Jahre, für Mehrwegverpackungen zehn Jahre aufzubewahren und den Marktüberwachungsbehörden auf Verlangen vorzulegen.
Zweitens definiert die PPWR verbindliche Nachhaltigkeitsziele. Bis 2030 müssen alle Verpackungen recyclingfähig gestaltet sein. Für Kunststoffverpackungen gelten gestaffelte Mindestanteile an Post-Consumer-Rezyklat. Darüber hinaus wird der zulässige Leerraum in Versand- und Transportverpackungen ab 2030 auf maximal 50 Prozent begrenzt – eine Maßnahme, die insbesondere den E-Commerce betrifft.
Drittens etabliert die Verordnung eine klare Rollenverteilung entlang des gesamten Verpackungslebenszyklus. Erzeuger, Hersteller, Importeure und Vertreiber werden mit jeweils spezifischen Pflichten belegt. Diese verursachergerechte Verantwortungszuweisung soll sicherstellen, dass Nachhaltigkeit nicht als abstraktes Ziel formuliert, sondern operativ verankert wird.
Für produzierende Unternehmen bedeutet dies: Bestehende Prozesse müssen überprüft, Dokumentationssysteme erweitert und Mitarbeitende geschult werden. Die Frage, wer dieses Wissen aufbaut und dauerhaft vorhält, führt unmittelbar zum zweiten Megatrend, der die Branche zeitgleich erfasst.
Während die regulatorischen Anforderungen steigen, steht die produzierende Industrie zeitgleich vor einem personellen Umbruch historischen Ausmaßes. Die geburtenstarken Jahrgänge der Babyboomer-Generation – jene Beschäftigten, die zwischen 1955 und 1969 geboren wurden – erreichen in den kommenden Jahren das Rentenalter. Mit ihrem Ausscheiden verlässt nicht nur quantitativ eine große Zahl an Arbeitskräften die Unternehmen, sondern auch qualitativ ein enormer Bestand an Erfahrungswissen.
Die Zahlen verdeutlichen das Ausmaß: Laut Statistischem Bundesamt wächst der Anteil älterer Erwerbspersonen kontinuierlich. Waren 2014 noch 20 Prozent der Erwerbstätigen 55 Jahre oder älter, lag dieser Anteil 2024 bereits bei über 26 Prozent. Deutschland weist damit im europäischen Vergleich einen der höchsten Anteile älterer Erwerbspersonen auf. In den kommenden 10 bis 15 Jahren werden diese Jahrgänge sukzessive in den Ruhestand eintreten – und die nachrückenden Generationen können die entstehende Lücke zahlenmäßig nicht schließen.
Besonders betroffen ist das verarbeitende Gewerbe. Rund 1,7 Millionen Beschäftigte im Alter von 55 bis 65 Jahren arbeiten aktuell in diesem Sektor – das entspricht einem Anteil von 22 Prozent aller älteren Beschäftigten in Deutschland. Branchen wie der Maschinenbau, die Chemie- und Pharmaindustrie sowie die Verpackungstechnik sind damit in besonderem Maße vom demographischen Wandel betroffen.
Was diese Entwicklung so kritisch macht, ist die Natur dessen, was verloren zu gehen droht. Um das zu verstehen, hilft ein Blick auf die von Klaus North beschriebene „Wissenstreppe“. Sie unterscheidet grundlegend zwischen Information und Wissen. Information – Fakten, Abläufe, Messwerte – lässt sich dokumentieren: in Handbüchern, ERP-Systemen, Fotos oder Videos. Wissen hingegen entsteht erst durch die Vernetzung vieler Informationen in einem spezifischen Kontext. Und genau diese Vernetzung lässt sich nicht festhalten.
Ein Beispiel aus der Praxis verdeutlicht den Unterschied: Eine erfahrene Fachkraft an der Maschine hört ein klapperndes Geräusch aus der Anlage. Erster Gedanke: Der Riemen könnte zu wenig gespannt sein. Doch sie weiß auch, dass gerade Butterkäse verarbeitet wird – ein Material, das stark am Riemen klebt und selbst bei korrekter Spannung ein ähnliches Geräusch verursachen kann. Ihre Einschätzung: Wahrscheinlich ist alles in Ordnung.
Diese Schlussfolgerung verbindet in Sekundenbruchteilen mehrere Informationsebenen: akustische Mustererkennung, mechanisches Verständnis der Riemenspannung, Materialeigenschaften des Butterkäses und den aktuellen Produktionskontext. Keine dieser Informationen allein würde zur richtigen Einschätzung führen – erst ihre Vernetzung erzeugt handlungsrelevantes Wissen.
Solche komplexen Zusammenhänge lassen sich nur in hochgradig vernetzten Systemen speichern: im menschlichen Gehirn – oder in Machine-Learning-Modellen. Auf Papier, in Datenbanken oder klassischen Dokumentationssystemen hingegen bleibt nur die Information übrig, nicht das Wissen.
Genau hier liegt das strukturelle Problem des demographischen Wandels: Wenn erfahrene Mitarbeitende das Unternehmen verlassen, geht nicht nur dokumentierbare Information verloren, sondern vor allem die im Kopf gespeicherte Vernetzungsleistung – jene Fähigkeit, aus vielen Einzelinformationen im richtigen Moment die richtige Schlussfolgerung zu ziehen. Neue Mitarbeitende benötigen Jahre, um vergleichbare Expertise aufzubauen – Zeit, die angesichts des Fachkräftemangels und steigender regulatorischer Anforderungen nicht vorhanden ist.
Die Folgen lassen sich an einem konkreten Punkt verdeutlichen: Die PPWR fordert nicht nur umfassende Dokumentationspflichten, sondern impliziert auch spezifische technische Maßnahmen an Maschinen und Anlagen. Um die geforderte Konformität nachzuweisen, müssen Produktionsprozesse präzise überwacht, Parameter dokumentiert und Abweichungen nachvollziehbar erfasst werden.
Ein Beispiel aus der Praxis: Klassische Multilayer-Verpackungen kombinieren z.B. PET/OPA als äußere, hochtemperaturstabile Schicht mit einer niedrig schmelzenden PE-Siegelinnenschicht. Dies ermöglicht für die Siegeltemperatur Prozessfenster mit einer Breite von 20–30°C und entsprechend robuste Prozesse. Da sich die Layer jedoch nicht trennen lassen, sind entsprechende Verpackungen praktisch nicht recycelbar und müssen durch Monomaterialien (z.B. Mono-PE oder Mono-PP) ersetzt werden. Bei diesen liegen zwischen „sicher gesiegelt“ und „verbrannt oder durchgesiegelt“ häufig nur 2–5°C Unterschied.
Durch diese schmalen Prozessfenster ergeben sich hohe Anforderungen an eine stabile Prozessführung. Zeiten, Temperaturen und Drücke müssen präzise eingehalten werden. Geringfügige Störungen der Wärmeübertragung – etwa leichte Verschmutzungen des Siegelwerkzeugs oder der Siegelflächen – führen sofort zu Produktionsstörungen. Erschwerend kommt hinzu, dass zunehmend recycelte Materialien eingesetzt werden, die in ihren Eigenschaften (Dicke, Molmassenverteilung der Polymerketten usw.) noch stärker schwanken als bei bisherigen Folien.
In Kombination mit den sehr schmalen Prozessfenstern schränkt dies klassische Ansätze zur Prozessoptimierung – beispielsweise durch Centerlining – stark ein. Es gibt nicht die optimalen Prozessparameter, sondern es muss mit viel Erfahrung für jede neue Charge immer wieder nachgeregelt werden. Solche Anpassungen erfordern nicht nur technisches Equipment, sondern vor allem jenes vernetzte Wissen, das bislang nur in den Köpfen erfahrener Mitarbeitender existiert.
Klassische Ansätze der Wissensweitergabe – Einarbeitung durch erfahrene Kolleginnen und Kollegen, informelle Weitergabe im Arbeitsalltag, Schulungen durch interne Expert:innen – stoßen unter diesen Bedingungen an ihre Grenzen. Die Zeit für eine geordnete Übergabe ist knapp, die Komplexität der Anforderungen hoch, und die nachrückenden Fachkräfte sind rar.
Unternehmen stehen damit vor einer doppelten Aufgabe: neues Compliance-Wissen aufbauen und bestehendes Erfahrungswissen sichern – bevor es unwiederbringlich verloren geht. Es braucht neue Instrumente, um dieser Herausforderung zu begegnen.
Angesichts dieser doppelten Herausforderung rückt eine Frage in den Mittelpunkt: Wie lässt sich Erfahrungswissen systematisch erfassen, bevor es das Unternehmen verlässt – und wie kann dieses Wissen so aufbereitet werden, dass es auch unter steigenden regulatorischen Anforderungen verfügbar und nutzbar bleibt?
Die Antwort liegt in der Verbindung von vernetzungsfähigem Wissensmanagement und Künstlicher Intelligenz.
Zur Einordnung: Künstliche Intelligenz (KI) bezeichnet den Überbegriff für Systeme, die kognitive Aufgaben übernehmen: Mustererkennung, Entscheidungsfindung oder Sprachverständnis. Machine Learning (ML) ist eine Teildisziplin der KI: Statt Regeln explizit zu programmieren, lernen ML-Systeme Zusammenhänge aus Daten.
Klassische Dokumentationssysteme – Wikis, Handbücher, Schulungsvideos – scheitern nicht an mangelnder Sorgfalt, sondern an einem strukturellen Limit: Sie können Information speichern, aber keine Vernetzung leisten. Genau diese Vernetzung ist jedoch das, was Wissen ausmacht.
KI-basierte Wissensmanagementsysteme wie MADDOX lösen dieses Problem durch eine spezifische Zwei-Komponenten-Architektur:
Die Content-Datenbank speichert Information in Form von Wissenskarten – Texte, Bilder, Videos zu Störfällen, Lösungswegen, Material- und Anlagenbesonderheiten. Erfahrene Mitarbeitende können ihr Wissen einbringen, ohne Handbücher zu verfassen.
Das Machine-Learning-Modell übernimmt die Vernetzungsleistung. Es lernt Zusammenhänge zwischen den gespeicherten Informationen und den jeweiligen Kontextdaten – seien es Maschinenzustände, Materialchargen, Umgebungsbedingungen oder Prozessparameter. Diese Fähigkeit zur kontextabhängigen Verknüpfung war bislang dem menschlichen Gehirn vorbehalten.
Content-Datenbank + ML-Modell zur Informationsvernetzung = Wissensspeicher.
In der Anwendung bedeutet das: Das System liefert keine unstrukturierte Dokumentensammlung, sondern kontextbezogene Empfehlungen – angepasst an die aktuelle Situation. Frühere Störfälle mit ähnlichem Muster, bewährte Lösungsansätze, Hinweise auf bekannte Besonderheiten werden nicht nur gefunden, sondern in Beziehung gesetzt. Die Expertise langjähriger Mitarbeitender bleibt so nicht als statische Information erhalten, sondern als anwendbares, vernetztes Wissen.
Ein Unternehmen, das sein Erfahrungswissen auf diese Weise erfasst, gewinnt mehr als nur Absicherung gegen den demographischen Wandel. Es schafft eine Grundlage, auf der neue Mitarbeitende schneller handlungsfähig werden, auf der regulatorische Anforderungen mit konsistenter Qualität umgesetzt werden können – und auf der das kollektive Know-how nicht mehr an einzelne Köpfe gebunden ist.
Dass diese Überlegungen nicht bloß theoretischer Natur sind, zeigt ein Blick in die Praxis. In der Folge des Packaging Valley Podcasts „Verpackt und Zugeklebt“ berichten Matthias Markus, Leiter Pharmazie-Verpackungstechnik bei der Bayer AG, und Andre Schult, Gründer und CEO der Peerox GmbH, von ihren Erfahrungen mit digitalen Assistenzsystemen in der Fertigung pharmazeutischer Verpackungen.
Die Ausgangslage ist exemplarisch für die Branche: Pharmazeutische Verpackung ist stark reguliert, komplex und traditionell konservativ geprägt. Genau diese Kombination macht die Digitalisierung hier zu einer besonderen Herausforderung – eröffnet aber zugleich erhebliche Chancen. Im Gespräch gehen Markus und Schult der Frage nach, wie das KI-gestützte Assistenzsystem MADDOX im Produktionsalltag funktioniert, welche Rolle die Mitarbeitenden dabei spielen und welche Ergebnisse die Zusammenarbeit zwischen Startup und Großkonzern hervorgebracht hat.
Digitale Assistenzsysteme können die Gesamtanlageneffizienz (OEE) messbar steigern, indem sie Störungen schneller identifizieren und Lösungswissen unmittelbar bereitstellen. Gleichzeitig ermöglichen sie die systematische Sicherung von Erfahrungswissen – ein Aspekt, der angesichts des demographischen Wandels zunehmend an Bedeutung gewinnt.
Wie gut dieser Ansatz funktioniert, zeigt eine aktuelle Auszeichnung: Das gemeinsame Projekt von Bayer und Peerox wurde mit dem maintenance Instandhaltungspreis 2025 prämiert – verliehen auf der maintenance München als Vorbild für die gesamte Branche.
Der Podcast bietet einen konkreten Einblick, wie die im vorliegenden Artikel skizzierten Herausforderungen in der betrieblichen Realität adressiert werden können.
Die vollständige Folge ist verfügbar auf Spotify und Apple Podcasts.
Das Jahr 2026 wird für die produzierende Industrie zum Prüfstein. Mit dem Inkrafttreten der PPWR im August steigen die regulatorischen Anforderungen spürbar – und der demographische Wandel wartet nicht. Unternehmen, die beide Entwicklungen als voneinander getrennte Herausforderungen betrachten, riskieren, zwischen steigender Komplexität und schwindendem Know-how aufgerieben zu werden.
Doch in dieser Konstellation liegt auch eine Chance. Wer jetzt beginnt, Erfahrungswissen systematisch zu erfassen und in intelligente Assistenzsysteme zu überführen, schafft nicht nur die Voraussetzungen für regulatorische Konformität, sondern baut zugleich eine Wissensbasis auf, die das Unternehmen langfristig resilienter macht.
Das Beispiel aus der pharmazeutischen Verpackung illustriert, dass dieser Ansatz in der Praxis funktioniert – auch in einem stark regulierten und traditionell geprägten Umfeld. Die Werkzeuge existieren, die Erfahrungswerte liegen vor. Was bleibt, ist die Frage des Timings: Die kommenden Monate bieten ein Zeitfenster, um Wissen zu sichern und Strukturen anzupassen, bevor beides gleichzeitig unter Druck gerät.
Wie lassen sich psychologische Barrieren beim Wissensaustausch zwischen Kollegen überwinden?
