KI-Challenge Ergebnisse
Von der Produktionsplanung über Qualitätskontrolle bis hin zu nachhaltigen Wertschöpfungsketten: Künstliche Intelligenz verändert ganze Branchen.
Auch die Textil- und Bekleidungsindustrie befindet sich im Wandel. Wie Unternehmen die Vorteile neuer Technologien für ihre Wirtschaftlichkeit aktiv nutzen können, wurde bei der KI-Challenge Region Neckar-Alb in Zusammenarbeit mit regionalen Textilunternehmen, Startups, Hochschulen, Forschungseinrichtungen und Branchenverbänden mit sechs neuen Projektideen gezeigt.
KI als Zukunftsfaktor für die Textilindustrie – Traditionsbranche im Wandel
Unsere Eventpartner:innen
Die KI-Challenge Region Neckar-Alb “KI als Zukunftsfaktor für die Textilindustrie – Traditionsbranche im Wandel“ ist eine Kooperationsveranstaltung der KI-Allianz Baden-Württemberg eG und das Fraunhofer IOSB.
Wir danken allen Unterstützer:innen und Mitwirkenden, die wir im Folgenden nun nennen werden:
Das KI-Challenge-Thema unserer Region
In der Region Neckar-Alb liegt der Fokus auf der Textilwirtschaft – die Textilindustrie steht vor erheblichen strukturellen Herausforderungen beim Übergang zu den Konzepten und Technologien der Industrie 4.0 und dem Einsatz künstlicher Intelligenz (KI).
Die Region ist traditionell von KMU geprägt, so dass nur begrenzte Investitionsbudgets für kostspielige Digitalisierungsprojekte bereitstehen. Viele Betriebe müssen das Kosten/Nutzen-Verhältnis sorgfältig abwägen, um zu entscheiden welche Innovationen und Technologien sie implementieren können.
Auf technologischer Ebene stellt die Digitalisierung der textilen Produktionskette eine komplexe Aufgabe dar. Die Integration von Sensoren, die Vernetzung unterschiedlicher Systeme und die Echtzeitdatenerfassung erfordern erhebliche Investitionen.
Besonders herausfordernd ist die Integration in bestehende Maschinenparks aus verschiedenen Generationen und Hersteller:innen.
Die Einführung von KI bringt weitere spezifische Herausforderungen mit sich, da dadurch auch ein Transformationsprozess einhergeht. KI-Systeme für das Design von Textilien, Qualitätskontrolle, vorausschauende Wartung oder Prozessoptimierung benötigen große Mengen qualitativ hochwertiger Daten und spezifisches Know-how. Die Datensicherheit in vernetzten Produktionsumgebungen ist kritisch, da sensible Produktionsdaten und geistiges Eigentum geschützt werden müssen.
Unsere Themenstränge
In interaktiven Workshops wurden Lösungsansätze entlang vier zentraler Themen entwickelt – alle mit direktem Nutzen für die Region Neckar-Alb:
- Themenstrang #2 - Nachhaltigkeit
- AIassure – AI assisted sustainability reporting
Themenstrang #1 - Datenräume
Materialdatenräume (B2B)
Materialdatenräume im B2B-Bereich ermöglichen die Verwaltung und Nutzung von Material- und Prozessdaten entlang der gesamten Lieferkette. Sie schaffen die Grundlage für Materialsimulationen und die virtuelle Prüfung von Produkteigenschaften, einschließlich der Bewertung von Recyclingfähigkeit und Nachhaltigkeit.
Im Kontext von Industrie 4.0 unterstützen sie den Aufbau interoperabler digitaler Zwillinge von Materialien, Maschinen und Prozessen. Auf dieser Basis wird eine On-Demand-Produktion möglich, die auf durchgängigen Prozess- und Datenketten vom Design über die Beschaffung bis hin zur Produktion beruht. Ein zentraler Schritt ist dabei der Übergang von fragmentierten Datensilos hin zu echten Datenräumen, der Fragen von Governance, Standards und Interoperabilität adressiert.
Zudem werden Spezifikationen, Zertifikate und Qualitätssicherungsdaten nahtlos eingebunden. Ziel ist der sichere, interoperable Datenaustausch zwischen Lieferant:innen, Hersteller:innen und Prüfinstituten sowie eine durchgängige IT-Unterstützung vom Design bis zur Fertigung.
Themenstrangleitung: Boris Schnebel (Fraunhofer IOSB)
Textildatenräume (B2C)
Verbraucherorientierte Textildatenräume (B2C) ermöglichen es, Textilprodukte mit einem digitalen Produktpass und einem eindeutigen „Fingerabdruck“ auszustatten, um Transparenz, Nachverfolgbarkeit und Nachhaltigkeit über den gesamten Lebenszyklus hinweg sicherzustellen. Auf dieser Basis können Produkte kundenzentriert entworfen und bis hin zur On-Demand-Produktion personalisiert werden.
Virtuelle Prüfungen und Erlebnisse – etwa die Visualisierung von Produkteigenschaften oder der Einsatz digitaler Zwillinge im Commerce – schaffen dabei neue Formen der Produktwahrnehmung und -bewertung im digitalen Raum. Voraussetzung hierfür sind durchgängige Datenflüsse innerhalb des Unternehmens sowie zu Endkunden, Handel, Plattformen und Servicepartner:innen, sodass alle relevanten Informationen nahtlos integriert und genutzt werden können.
Themenstrangleitung: Jan Burke (Fraunhofer IOSB)
KI-basierte Plausibilitätsprüfung
ENTWICKLUNG
Projektziel
Das Projekt entwickelt ein KI-gestütztes System zur Plausibilitätsprüfung von Mess- und Materialdaten, um Fehlproduktionen, Fehlplanungen und unnötige Rückkopplungsschleifen in der textilen Wertschöpfungskette deutlich zu reduzieren und die Datenqualität nachhaltig zu steigern.
ENTWICKLUNG
KI-System und Daten
KI-Verfahren:
- Clusterverfahren
- Plausibilitätsmodelle
- Modell-Feintuning
Datenbasis
- Anthropommetrische Messdaten
- Materialdaten
Wertversprechen
- Weniger Fehlproduktionen und Reklamationen
- Schnellere Entscheidungen durch automatische Plausibilitätschecks
- Reduzierte Rückfragen und Schleifen zwischen Messung, Planung und Produktion
- Geringerer Material- und Arbeitsaufwand in Entwicklung und Fertigung
- Bessere Datenbasis für weitere KI-Anwendungen und Materialdatenräume
BETRIEB
Geschäftsmodell
Kurzfristig wird das KI-System als internes Optimierungswerkzeug eingesetzt:
- interne Effizienzgewinne
- Einbettung als Modul bzw. Service in vorhandener Fachsoftware
Mittel- und langfristig kann die Lösung zu einem lizenzierbaren KI-Baustein reifen
Angebot als B2B-Service für Kliniken, Sanitätshäuser, Textilhersteller und Stofflieferanten (z. B. als SaaS-Modul zur Plausibilitätsprüfung).
BETRIEB
Ressourcen und Partner
Partner:
- Kliniken und Sanitätshäuser
- R&D-Abteilungen
- Lieferanten
- interne Abteilungen
Ressourcen:
- Anthropometrische Messdaten
- Material- und Rezeptur
- Fachwissen
In den beiden betrachteten Anwendungsfeldern, der medizinischen Versorgung mit Kompressionsstrümpfen und der textilen Produktentwicklung werden heute täglich zahlreiche Mess- und Materialdaten erfasst. Diese Daten sind jedoch fehleranfällig: falsch interpretierte Körpermaße, vertauschte Eingaben oder unpassende Materialkombinationen führen zu Fehlproduktionen, Reklamationen und zeitintensiven Rückfragen zwischen Klinik, Sanitätshaus, Hersteller, R&D und Lieferanten. Die Plausibilitätsprüfung erfolgt meist manuell und hängt stark von Erfahrung und Tagesform der Mitarbeitenden ab.
Das Projekt „KI-basierte Plausibilitätsprüfung“ nutzt vorhandene Datenbestände systematisch, um diesen Engpass zu adressieren. Im medizinischen Kontext (Variante A) analysiert eine KI historische und aktuelle anthropometrische Messdaten, erkennt typische Körperprofile und markiert neue Messungen, die zu den bestellten Produkten nicht passen oder in sich widersprüchlich sind. Am Versorgungsort erhält das Fachpersonal in Echtzeit Rückmeldung, ob die eingegebenen Werte plausibel erscheinen oder ob nachgemessen werden sollte. So werden kostspielige Fehlproduktionen und belastende Reklamationen vermieden, ohne die letztliche Entscheidungshoheit des Fachpersonals anzutasten.
In der textilen Entwicklung (Variante B) wird ein „Material-Wizard“ aufgebaut, der auf umfangreichen Stoff- und Zutaten-Datenbanken basiert. Er bewertet neue Materialkombinationen in der Sampling-Phase hinsichtlich Plausibilität und Risiko, etwa im Hinblick auf Gewicht, Elastizität oder Robustheit für einen bestimmten Einsatzzweck. Auffällige Kombinationen werden hervorgehoben, Alternativen können auf Basis ähnlicher, bereits bewährter Materialien vorgeschlagen werden. Dadurch sinkt der Bedarf an physischen Mustern und Versuchsschleifen, Material und Arbeitszeit werden eingespart und Entscheidungen werden datenbasiert unterstützt.
Durch die beiden Varianten entsteht ein wiederverwendbarer KI-Baustein für Plausibilitätsprüfungen, der sich in verschiedene Systeme entlang der textilen Lieferkette integrieren lässt. Er schafft eine konsistente Datenbasis, verbessert Qualität und Effizienz und bildet zugleich einen wichtigen Baustein für zukünftige Materialdatenräume, digitale Zwillinge und weitere KI-Anwendungen in der Textilindustrie.
DigitAllSample
ENTWICKLUNG
Projektziel
- Vorhersage der Verwendbarkeit neuer Textilien-Designs für Kleidungsstücke
- Zeit-, Geld- und Ressourcenersparnis bei Zulieferern
- Zeit- und Geldersparnis beim Abnehmer
ENTWICKLUNG
KI-System und Daten
Eingabegrößen:
- Design-Konfigurationen
- Testdaten (evtl. reduzierter/vereinheitlichter Satz nach Korrelationsanalyse)
Ausgabegrößen:
- Eignungswahrscheinlichkeit
- evtl. nach einstellbaren Schwellen von Parametern wie Reißfestigkeit ö. ä.
Wertversprechen
- beidseitiger Nutzen: lose/lose -> win/win
- erhebliche Kostenreduktion
- Schnelligkeit
- verbesserte materielle Ressourceneffizienz
- Risikominderung
BETRIEB
Geschäftsmodell
- Kostenreduktion
- interne Pflege und Weiterentwicklung dess Datenbestands
- Eignungsdashboard: schnelle, automatisierte Entscheidungen zur Verwendbarkeit noch während der Designphase
BETRIEB
Ressourcen und Partner
Ressourcen:
- metrische Prüfergebnisse (großer historischer Datenbestand)
- Absatzzahlen
Partner:
- Design-Abteilung bei Zulieferern
- Einkäufer beim Abnehmer
- Data Scientist / AI Developer
Themenstrang #2 - Nachhaltigkeit
AIassure – AI assisted sustainability reporting
ENTWICKLUNG
Projektziel
- Automatisiertes CSRD Reporting mit dynamischer Anpassung an veränderte Regularien
- Vereinheitlichtes Datenmanagement als Single Point of Source
- Interaktives, sprachmodell-assistiertes System
ENTWICKLUNG
KI-System und Daten
- Stammdaten im ERP-System
- Projekt- und Dokumentmanagement
- Kommerzielle Datenbanken (GABI, EcoInvent)
- LLM-basierter Chatbot
Wertversprechen
Vollständige und weitgehend fehlerfreie Reports
- Klare Verantwortlichkeiten
- Aufzeigen von Informationslücken
- Effizienter Prozess mit kontinuierlicher Verbesserung
- Plausibilitätstest durch Fachexperten
BETRIEB
Geschäftsmodell
Interne Finanzierung, ggf. in Zusammenarbeit mit anderen Unternehmen oder als Förderprojekt
- Initialprojekt für thematischen Durchstich: <= 100T€
BETRIEB
Ressourcen und Partner
Key User
- Kernteam
- Zeitlicher Aufwand: 6 Monate
Viele Unternehmen in der Textilindustrie stehen heute vor komplexen Herausforderungen in der Nachhaltigkeitsberichterstattung. Die Sicherstellung der Datenintegrität und lückenlose Rückverfolgbarkeit über die gesamte Wertschöpfungskette hinweg erfordert erhebliche Ressourcen. Gleichzeitig ist die Sammlung, Konsolidierung und Verwaltung von Nachhaltigkeitsdaten aus verschiedenen Quellen und Systemen zeitaufwendig und fehleranfällig. Hinzu kommt, dass zukünftige Entwicklungen wie Recyclingfähigkeit, Materialverbrauch, Produktlanglebigkeit und CO₂-Fußabdruck sich nur schwer vorausberechnen lassen.
AIassure adressiert diese Herausforderungen durch ein interaktives, sprachmodellassistiertes Reporting- und Aggregationssystem. Die Lösung verbindet KI mit intuitiver Bedienbarkeit und ermöglicht es Anwendern, in natürlicher Sprache mit dem System zu interagieren. Komplexe Datenanalysen werden automatisiert, und präzise Nachhaltigkeitskennzahlen stehen auf Knopfdruck zur Verfügung.
Das Ziel von AIassure ist die umfassende Automatisierung des Reportings bei gleichzeitiger Reduzierung manueller Prozesse und Beschleunigung der Berichtserstellung. Das System passt sich dynamisch an verändernde regulatorische Anforderungen wie die EU-Richtlinie zur Nachhaltigkeitsberichterstattung (CSRD) an. Als einzige Datenquelle (Single Point of Source) bietet es eine zentrale, verlässliche Datenquelle für alle Nachhaltigkeitsinformationen und schafft damit die Grundlage für zukunftssicheres, zielgruppengenaues Nachhaltigkeits-Reporting.
Themenstrang #3 - Produktionsqualität und Effizienz
Zur Stabilisierung der Produktionsqualität, Reduktion von Ausschuss und Steigerung der Anlageneffizienz müssen verschiedene Ansätze miteinander verknüpft werden. Durch eine Inline Qualitätsprognose und Überwachung können Qualitätsabweichungen bereits während des Produktionsprozesses erkannt und korrigiert werden, wodurch sich der Ausschuss deutlich reduzieren lässt. Ergänzend dazu ermöglicht prädiktive Wartung die frühzeitige Identifikation von Verschleißerscheinungen und potenziellen Anlagenausfällen, sodass Wartungsarbeiten planbar werden und ungeplante Stillstände vermieden werden können.
Eine vorausschauende und kapazitätsgebundene Produktionsplanung berücksichtigt sowohl die verfügbaren Ressourcen als auch zukünftige Bedarfe, um eine optimale Auslastung zu gewährleisten. Durch die Verknüpfung dieser Maßnahmen wird eine nachhaltige Steigerung der Produktionseffizienz erreicht, während gleichzeitig Qualität und Verfügbarkeit der Anlagen kontinuierlich verbessert werden.
Themenstrangleitung: Benedikt Stratmann (Fraunhofer IOSB)
TexMaintAIn - Prädiktive Wartung in der Textilproduktion
ENTWICKLUNG
Projektziel
Neue Sensoren installieren
- Anomalie-Dashboard integrieren (inklusive Alarmierung und Schwellenwerten)
- Maschinen-Trends lernen und modellieren (Datenaufbereitung, Baselines, Validierung)
- Anlagenbediener schulen, um Anomaliedetektionen zu interpretieren und angemessen zu reagieren
ENTWICKLUNG
KI-System und Daten
Statistische Best Practices für die Zeitreihen-Anomalieerkennung
- Proprietäre Datenquellen je Komponententyp (z. B. Pumpen, Motoren, Steuerungen) mit Datenkatalog und Zugriffsrechten
- Installation neuer Sensoren zur externen Maschinenbeobachtung (Vibration, Temperatur, Stromaufnahme)
Wertversprechen
Effizientere Beschaffung von Ersatz- und Reparaturteilen (proaktive Bestellungen, kürzere Stillstandszeiten)
- Mehr Transparenz über den aktuellen Zustand der Maschinen in der Färberei
- Höhere Planungsgenauigkeit für Produktionsdurchlaufzeiten in der Färberei
- Reduzierung und bessere Planbarkeit des Energieverbrauchs (Vermeidung von Lastspitzen)
- Weniger Produktionsstillstände durch frühzeitige Fehlererkennung (höhere Verfügbarkeit/OEE)
BETRIEB
Geschäftsmodell
Mehr färben in kürzerer Zeit und mit geringeren Reparaturkosten (präventive Wartung, schnellere Ersatzteilverfügbarkeit)
- Reduzierung der Stillstände in der internen Kostenstelle „Färberei“ -> höhere maximale Kapazität/OEE
BETRIEB
Ressourcen und Partner
Sunius (Softwareprovider)
- Produktionsleiter
- Instandhaltungstechniker
- Logistik
Die Garnfärbung ist ein kritischer und fehleranfälliger Schritt in der Textilproduktion. Hier kommt es häufig zu Stillständen, um Probleme zu beheben. Durch die vielen involvierten Maschinenteile ist die Anzahl möglicher Fehlerquellen sehr hoch.
Um Fehler frühzeitig zu erkennen und Stillständen vorzubeugen, sollen durch TexMaintAIn die Hauptkomponenten der Anlage – Pumpen und Motoren – auf Verschleiß überwacht werden. Dafür sollen bestehende Sensoren genutzt und ggf. weitere verbaut werden, um mithilfe von Trendanalysen und Anomaliedetektion Komponenten zu identifizieren, die außerhalb der Norm arbeiten und voraussichtlich zeitnah ausfallen.
Mit diesen Informationen können proaktiv Ersatzteile bestellt und Wartungszyklen geplant werden, um plötzliche und längere Stillstände zu vermeiden, wodurch die Produktionsauslastung steigt und die Zuverlässigkeit des Prozesses zunimmt.
PROFA – ProduktionsFehlerAssistent
ENTWICKLUNG
Projektziel
Entwicklung eines Assistenzsystems für die Fehlerdiagnose in der Textilproduktion und in der Textillogistik.
ENTWICKLUNG
KI-System und Daten
Retrieval-Augmented Generation (RAG) Assistenzsystem:
- Datenbasis: dokumentierte Fehler und Lösungsansätze
- Wissensdatenbank als RAG-Grundlage für Assistenzsystem
- Sprachmodell als Schnittstelle zwischen Mensch und Wissensdatenbank
Wertversprechen
Probleme werden schneller gelöst
- Fehlerprävention
- Vermeidung von Produktionsstillständen/Produktionsausfällen
- Wissenserhalt
BETRIEB
Geschäftsmodell
Kostenreduktion durch weniger Produktionsausschuss
- Höherer Input durch weniger Stillstandszeiten
- Weniger Überstunden durch weniger Re-Work
BETRIEB
Ressourcen und Partner
Ressourcen:
- Historische Fehlerprotokolle
- Erfahrene Mitarbeiter zur Vervollständigung der Datengrundlage
- Dateninfrastruktur
Partner:
- Interne Produktion
- Lieferanten
Die Textilproduktion ist geprägt von hoher Dynamik in der Produktions- und Logistikabwicklung. Dadurch wird die Fehlerbehebung zu einer komplexen Aufgabe, die größtenteils erfahrungsbasiert ist und eine lange Einarbeitungszeit benötigt. Unter diesem Aspekt führt das Ausscheiden langjähriger und erfahrener Mitarbeiter und der damit einhergehende Know-How Verlust zu langsamerer und schlechterer Problemlösung. Eine Dokumentation zu Problemen und Lösungsansätzen liegt zum Teil schon vor, allerdings nicht vollständig und auch nicht in strukturierter Form. Dies erschwert das Einlernen neuer Mitarbeiter auf Basis von dieser Dokumentation und die erfahrenen Mitarbeiter bleiben weiterhin die Hauptinformationsquelle.
Der Ansatz des Projekt PROFA ist es, die zu großen Teilen unstrukturierte Dokumentation mithilfe der erfahrenen Mitarbeiter zu vervollständigen und mit einem Sprachmodellassistent neuen Mitarbeitern zugänglich zu machen. So können diese schneller eingelernt und das Know-How langfristig gesichert werden. Auf Basis dieser Daten lassen sich auch systematische Fehler besser sichtbar machen.
StruMon 4.0 – Monitoring der Produktion von Kompressionsstrümpfen
ENTWICKLUNG
Projektziel
Transparenz, Dokumentation und Risikominimierung im Messprozess
- Langfristig: Produktqualität vorhersagen und Anlagenkonfiguration optimieren
- Integrierte Leittechnik nach Industrie 4.0 aufbauen
ENTWICKLUNG
KI-System und Daten
Optische Messtechnik
- am Messplatz
- Inline
- Leittechnik/Sensorik
- ERP und Auftargsdaten
- Datenmanagement (Sensordaten und Qualitätsdaten)
Wertversprechen
Qualitativ hochwertiges Produkt für die Patienten
- Produktqualität vorhersagen, sodass Fehler minimiert werden
- anpassbar für alle Artikeltypen
- Integrierte Sicht auf die gesamte Anlage inkl. Umgebung
- Nutzung von Industrie 4.0 / IT-Standards wo passend
- Wirtschaftlicher und wertsteigernder Einsatz eines digitalen Produktpasses
BETRIEB
Geschäftsmodell
Kostenoptimierung durch Fehlervermeidung und Ausschussreduktion
- Energieeinsparungen
- Software-Lizenzen (optional)
BETRIEB
Ressourcen und Partner
Maschinenhersteller
- Automatisierer
- IT-Dienstleister
- Software-Entwickler
- KI-Entwickler
Die Herstellung von medizinischen Kompressionsstrümpfen stellt höchste Anforderungen an Qualität und Präzision, da diese Produkte direkt die Gesundheit und das Wohlbefinden von Patienten beeinflussen. Der exakte Druckverlauf über die gesamte Länge des Strumpfes ist dabei von entscheidender Bedeutung für die therapeutische Wirksamkeit. Kleinste Abweichungen in der Strickdichte, Fadenspannung oder Materialzusammensetzung können die medizinische Funktion beeinträchtigen und im schlimmsten Fall gesundheitliche Risiken für den Träger bedeuten.
Mit StruMon 4.0 wird ein intelligentes Monitoring-System konzipiert, das den gesamten Produktionsprozess in Echtzeit überwacht und dokumentiert. Das System erfasst kontinuierlich relevante Produktionsparameter wie Maschinendrehzahl, Fadenspannung, Strickgeschwindigkeit und Temperatur an den Rundstrickmaschinen. Durch die Integration von Sensortechnologie werden im Idealfall Qualitätsmerkmale wie Maschenbild, Warenlänge und Druckverteilung bereits während der Fertigung (inline) geprüft. StruMon erkennt Abweichungen vom Sollwert automatisch und alarmiert das Bedienpersonal unmittelbar, sodass zeitnah korrigierend eingegriffen werden kann.
Der erste Schritt zielt auf die Verbesserung der Qualitätssicherung in der Textilindustrie bei der Herstellung von Kompressionsstrümpfen durch Digitalisierung und integriertes Auftragsdaten und Qualitätsdatenmanagement. Die Herausforderung besteht in der Integration in den bestehenden Prozess. Mittelfristig angedacht ist in StruMon 4.0 der Einsatz von KI-Modellen, um Fehler proaktiv zu vermeiden und die Produktqualität zu prognostizieren.
Werden Sie Teil unseres Netzwerks!
Das Community Management der KI-Allianz Baden-Württemberg verbindet gezielt Wirtschaft, Wissenschaft und Politik in den Regionen, um den Wissensaustausch und die Anwendung von KI-Technologien zu fördern. Das Community Managment der KI-Allianz ist auch in der Region Neckar-Alb vertreten.
Ein Ergebnis oder ganzer Themenstrang interessiert Sie und Sie möchten mehr erfahren oder mitwirken?
Dann wenden Sie sich an unser Community Management für die Region Neckar-Alb:
Greta von Au
greta.von.au@ki-allianz.de
Impressionen und Stimmen von "KI als Zukunftsfaktor für die Textilindustrie – Traditionsbranche im Wandel"
Wir sind alle aufeinander angewiesen.
Das Tolle an der KI (Künstliche Intelligenz) ist, dass ich viele Aspekte zusammenbringen kann.
Wie kann KI uns helfen, die richtigen Fragen zu stellen?
Besonders an diesem Workshop-Format ist, dass die Anbieter keine Lösungen erarbeiten, die anschließend Anwendern angeboten werden können, sondern Anwender selbst direkt an der Konzipierung beteiligt sind.
Unser Plan ging auf. Die Teilnehmer:innen waren inspiriert von der Auftaktveranstaltung und es mangelte an Zeit, nicht an Ideen.