Hinweis: Das Beitragsbild wurde mit künstlicher Intelligenz erzeugt.
Pirelli hat die Entwicklung neuer Reifenmischungen grundlegend umgestellt. Statt Rezepturen im Labor zu erproben, simulieren die Entwickler des Mailänder Konzerns die Eigenschaften neuer Compounds zunächst digital. Ein KI-Modell sagt voraus, wie sich eine Mischung unter Last, Temperatur und Abrieb verhält. Erst wenn das Modell die gewünschten Werte liefert, folgt der physische Test. Der Konzern beziffert die mögliche Zeitersparnis auf bis zu 30 Prozent gegenüber dem klassischen Entwicklungsprozess.
Vom Labor in die Simulation
Traditionell war die Reifenentwicklung ein iterativer Prozess. Chemiker formulierten eine Mischung aus Kautschuk, Ruß, Silica und weiteren Additiven. Das Labor produzierte Testchargen. Prüfstände und Testfahrzeuge lieferten Messdaten. Dann begann der Zyklus von vorn.
Dieser Ablauf kostet Zeit und Ressourcen. Jede physische Charge bindet Maschinen, Material und Personal. Bei komplexen Produkten wie Hochleistungsreifen für den Motorsport oder Lkw-Langstreckenreifen kann ein einziger Entwicklungszyklus Monate dauern.
Pirelli hat diesen Prozess umgekehrt. Am Anfang steht nun das Modell, nicht das Mischwerk. Entwickler geben Zielwerte ein: Griffigkeit auf nasser Fahrbahn, Rollwiderstand, Hitzebeständigkeit, Verschleißrate. Das KI-System schlägt auf Basis historischer Entwicklungsdaten und physikalischer Modelle eine Mischungsrezeptur vor und berechnet, wie nah diese Rezeptur an den Zielwerten liegt.
KI als Werkzeug, nicht als Ersatz
Das System arbeitet nicht autonom. Die Entwickler definieren die Anforderungen und bewerten die Vorschläge. Die KI übernimmt die rechenintensive Suche im Parameterraum der möglichen Formulierungen. Dieser Raum ist groß: Ein Reifencompound besteht aus Dutzenden Bestandteilen in variablen Mengenverhältnissen, und jede Veränderung beeinflusst mehrere Eigenschaften gleichzeitig.
Das Modell kann in kurzer Zeit viele Kombinationen durchrechnen. Ein erfahrener Chemiker würde für dieselbe Auswahl deutlich länger benötigen. Der Entwicklungsaufwand verlagert sich vom physischen Experiment zur Validierung der besten Kandidaten.
Für den Motorsport ist dieser Ansatz besonders relevant. Pirelli ist Einheitsreifenlieferant der Formel 1. Die Anforderungen für die Saison 2026 mussten definiert werden, bevor die neuen Fahrzeugkonzepte vollständig vorlagen. Virtuelle Entwicklung erlaubt es, Mischungsparameter anzupassen, ohne auf reale Testfahrzeuge angewiesen zu sein.
Grenzen der Modelle
Die Methode hat Grenzen. KI-Modelle sind so gut wie die Daten, auf denen sie trainiert wurden. Völlig neue Rohstoffe oder unbekannte Additive liegen außerhalb des trainierten Erfahrungsraums; hier verliert das Modell an Vorhersagequalität. Physische Tests bleiben in diesen Fällen notwendig.
Auch Extrembedingungen stellen die Simulation vor Herausforderungen. Das Verhalten eines Reifens bei sehr hohen Temperaturen, auf ungewöhnlichen Fahrbahnbelägen oder unter kombinierten Belastungen ist schwer zu modellieren. Die Realität liefert Effekte, die in Trainingsdaten nicht repräsentiert sein können.
Pirelli beschreibt den virtuellen Prozess deshalb als Vorstufe, nicht als vollständigen Ersatz für physische Validierung. Die Anzahl der notwendigen realen Tests sinkt. Sie entfällt nicht.
Übertragbarkeit auf andere Branchen
Der Ansatz ist nicht auf die Reifenindustrie beschränkt. Überall dort, wo Materialrezepturen iterativ entwickelt werden, verspricht datengetriebene Simulation ähnliche Potenziale. Das gilt für Lacke, Klebstoffe, Kunststoffcompounds und Beschichtungen.
Voraussetzung ist eine belastbare Datenbasis aus vergangenen Entwicklungsprojekten. Wer über viele Jahre systematisch Rezepturdaten mit Prüfergebnissen verknüpft hat, kann ein KI-Modell trainieren. Wer diese Daten nicht strukturiert erfasst hat, muss zunächst in den Aufbau dieser Grundlage investieren.
Für mittelständische Unternehmen mit schmalerer Datenbasis bedeutet das: Der Einstieg ist möglich, aber der Aufwand hängt stark vom vorhandenen Datenbestand ab. Externe Plattformen und Simulationsdienstleister bieten inzwischen entsprechende Lösungen an, auch ohne eigenes KI-Team.
Fazit
Pirellis Ansatz zeigt, was datengetriebene Materialentwicklung in der industriellen Praxis leisten kann. Bis zu 30 Prozent kürzere Entwicklungszeiten sind kein Versprechen für alle Situationen, aber ein realistischer Richtwert für Prozesse mit gutem Datenfundament. Der physische Test bleibt unverzichtbar, kommt aber seltener vor. Für Unternehmen mit langen Entwicklungszyklen und hohem Testaufwand lohnt sich eine Prüfung, ob die eigene Datenlage einen ähnlichen Ansatz trägt.
