Die Industrie steht an einem Wendepunkt. Nicht, weil eine einzelne Technologie alles verändert, sondern weil sich die Grundbedingungen industriellen Denkens verschieben. Produktionssysteme, Lieferketten, Energieinfrastrukturen: Was einst als abgegrenzte Einheit funktionierte, ist heute Teil hochvernetzter Strukturen, in denen Daten, Simulationen und Entscheidungen in Echtzeit ineinandergreifen. Die reale und die digitale Welt wachsen dabei zunehmend zusammen: Systeme werden nicht mehr nur betrieben, sondern kontinuierlich analysiert, simuliert und optimiert.

Mit dieser Vernetzung tritt jedoch ein Problem zutage, das lange im Hintergrund blieb: die Komplexität. In vielen industriellen Anwendungen steigt die Zahl möglicher Zustände so stark an, dass klassische Rechenmethoden an ihre strukturellen Grenzen stoßen. In der Informatik spricht man von kombinatorischer Komplexität – einem Phänomen, das mit wachsender Systemgröße nicht linear, sondern exponentiell zunimmt. Für Unternehmen bedeutet das: Entscheidungen werden immer häufiger zu rechnerischen Herausforderungen für klassische Rechensysteme. Und diese Rechenprobleme brauchen neue Ansätze.

Künstliche Intelligenz hat sich in den vergangenen Jahren in der Industrie fest etabliert. Sie analysiert Datenströme, erkennt Muster und optimiert Abläufe entlang der gesamten Wertschöpfungskette, von Design und Engineering bis in den laufenden Betrieb. Die Effekte sind messbar: Prozesse werden effizienter, Ausfallzeiten sinken, Ressourcen werden gezielter eingesetzt. Mit der zunehmenden Vernetzung wird jedoch auch sichtbar, wie komplex industrielle Systeme tatsächlich geworden sind – und dass ihre Grenzen nicht alleine durch fehlende Daten, sondern durch die Architektur heutiger Rechensysteme bestimmt werden.

Astronomisch lange Rechenzeiten

Viele industrielle Fragestellungen lassen sich präzise mathematisch beschreiben. Doch mit jeder zusätzlichen Variablen wächst der Lösungsraum nicht schrittweise, sondern sprunghaft. In der Forschung spricht man von NP-schweren Problemen – Aufgaben, bei denen selbst schnellste klassische Rechner in astronomisch langen Rechenzeiten stecken bleiben. In Forschung und Industrie ist dabei häufig von sogenannten „trillion-dollar problems“ die Rede: hochkomplexe Herausforderungen in der Materialentwicklung oder der Energieoptimierung, deren Lösung wirtschaftliche Potenziale in kaum fassbarer Größenordnung verspricht. Statt nach mehr Rechenleistung verlangt es hier nach grundlegend anderen Ansätzen.

Das Quantencomputing rückt daher stärker in den Fokus der industriellen Forschung. Es nutzt Phänomene wie Superposition und Verschränkung, um Probleme zu bearbeiten, die klassische Computer an ihre Grenzen bringen. Die zugrunde liegende Quantenmechanik zählt zugleich zu den präzisesten Theorien der modernen Physik – und bleibt dennoch in ihrer Interpretation bis heute rätselhaft. Gerade diese Spannung zwischen mathematischer Präzision und schwer greifbarer physikalischer Wirklichkeit spiegelt sich auch in der Entwicklung praktischer Quantentechnologien wider.

Zunächst zeichnet sich eine Entwicklung hin zu hybriden Architekturen ab: Klassische Hochleistungsrechner, künstliche Intelligenz und Quantenprozessoren arbeiten komplementär zusammen – jede Technologie dort, wo ihre Stärken liegen. „Wachsende Komplexität zwingt uns, klüger statt nur schneller zu rechnen – und das beginnt damit, die richtigen Fragen zu stellen, bevor man den ersten Algorithmus schreibt“, sagt Hila Safi. Sie ist Quantenexpertin bei Siemens und sie arbeitet an digitalen Zwillingen für Quantencomputer. Ihre Forschung beschäftigt sich damit, wie empfindliche Quantensysteme künftig stabil und verlässlich in realen Industrieumgebungen eingesetzt werden könnten.

© Siemens

Hila Safi, Quantenexpertin bei Siemens

Wie konkret diese Entwicklung bereits ist, zeigt sich in ersten Pilotkontexten. Unternehmen und Forschungseinrichtungen experimentieren mit Quantenalgorithmen und testen mögliche Anwendungsfelder. Erste Demonstratoren sind möglich, doch die Technologie ist noch nicht stabil und skalierbar genug für den breiten Einsatz. Wer jetzt investiert, investiert in Positionierung. Der Entwicklungsstand verlangt dabei weiterhin eine nüchterne Einordnung: Viele Quantensysteme befinden sich in einem frühen, fehleranfälligen Stadium und sind für den breiten industriellen Einsatz bislang nicht ausreichend skalierbar.

Quantenalgorithmen in industrielle Prozesse integrieren

Gleichzeitig arbeiten Unternehmen, Forschungseinrichtungen und Technologieanbieter bereits daran, wie sich Quantenalgorithmen künftig in industrielle Prozesse integrieren lassen. Dabei wird Quantencomputing zunehmend nicht als isolierte Technologie verstanden, sondern als Teil eines größeren Software-, Daten- und KI-Ökosystems. Besonders relevant wird Quantencomputing dort, wo Systeme schwer zu simulieren oder zu optimieren sind. In der Simulation könnten Quantencomputer perspektivisch physikalische Prozesse auf atomarer Ebene präziser abbilden. In der Optimierung geht es darum, aus einer astronomisch großen Zahl möglicher Zustände robuste Lösungen zu identifizieren wie etwa in der Produktionsplanung oder bei komplexen logistischen Systemen. Entscheidend ist dabei nicht allein die Hardware. Erst durch geeignete Software und offene Plattformen lassen sich unterschiedliche Technologien sinnvoll verbinden und in industrielle Prozesse integrieren.

Mit der technologischen Entwicklung entsteht ein neues industrielles Ökosystem aus Forschung, Software und spezialisierten Hardwareplattformen. Dabei verschiebt sich die Perspektive nicht auf die Rechenleistung selbst. Nicht jede Berechnung muss vollständig durchgeführt werden. Gerade bei komplexen Optimierungsproblemen wird die intelligente Reduktion des Suchraums zunehmend wichtiger als rohe Rechenleistung. Gleichzeitig rücken Energieeffizienz und Skalierbarkeit stärker in den Mittelpunkt, denn jede Berechnung hat einen physikalischen Preis.

Die offene Frage ist weniger, ob Quantentechnologien eine Rolle spielen werden, sondern wann und in welchem Umfang. Viele Anwendungen befinden sich noch im experimentellen Stadium. Gleichzeitig wird deutlich, in welche Richtung industrielle Systeme sich entwickeln: hin zu hochvernetzten Strukturen, deren Steuerung immer komplexer wird. Die entscheidende Veränderung liegt dabei nicht allein in neuen Maschinen, sondern im Verständnis davon, wie Industrie künftig rechnet.