Welche Projekte sind für die Forschungszulage förderfähig? 5 Beispiele aus Forschung & Entwicklung

‍Dr. Anne Küsters, 22. September 2026

Die Forschungszulage ist für viele Start-ups und Technologieunternehmen grundsätzlich attraktiv. Trotzdem bleibt oft dieselbe Frage offen: Ist das, was wir entwickeln, wirklich Forschung und Entwicklung, oder einfach nur anspruchsvolle Produktentwicklung?

In der Praxis entscheidet sich die Förderfähigkeit selten daran, ob ein Projekt „innovativ“ klingt. Auch KI, Robotik, Cloud-Software oder neue Hardware sind nicht automatisch förderfähig. Entscheidend ist vielmehr, ob ein Unternehmen an einer technisch oder wissenschaftlich ungelösten Fragestellung arbeitet, ob der Lösungsweg zu Beginn tatsächlich unsicher ist und ob das Team diese Unsicherheit systematisch durch Entwicklung, Tests und Experimente bearbeitet. Genau das lässt sich am besten anhand konkreter Projekte verstehen.

Die folgenden fünf Beispiele basieren auf realen FuE-Projekten, die wir bei DnA Ventures im Rahmen der Forschungszulage begleitet haben. Um Vertraulichkeit zu gewährleisten, wurden sämtliche Unternehmensnamen sowie einzelne technische, wirtschaftliche und projektspezifische Details verändert. Die zugrunde liegende FuE-Logik bleibt jedoch erhalten.

Beispiel 1 - Forschungszulage für KI: Wenn AI Agents verlässliche Entscheidungen treffen sollen

Unser erstes Beispiel stammt aus einem Unternehmen, das komplexe interne Entscheidungsprozesse und bislang stark manuelle Workflows in einem kritischen operativen Umfeld weitgehend automatisieren möchte.

Auf den ersten Blick könnte man meinen, es gehe lediglich darum, ein Large Language Model in bestehende Unternehmenssysteme zu integrieren. Genau dort beginnt aber die entscheidende Abgrenzung zwischen gewöhnlicher Softwareentwicklung und Forschung und Entwicklung.

Die eigentliche technische Herausforderung liegt darin, mehrere spezialisierte KI-Agenten so zu orchestrieren, dass sie mit heterogenen Unternehmensdaten arbeiten, unterschiedliche Teilaufgaben übernehmen und dennoch zuverlässig zu einem konsistenten Ergebnis kommen. Strukturierte und unstrukturierte Informationen aus verschiedenen internen Systemen und Dokumenten müssen dafür in einem gemeinsamen Prozess verarbeitet werden. Gleichzeitig soll das System nicht nur Informationen zusammenfassen, sondern komplexe Entscheidungen vorbereiten oder innerhalb klar definierter Grenzen selbstständig treffen.

Die entscheidende FuE-Frage lautet deshalb nicht: „Können wir einen KI-Agenten bauen?“ Sondern vielmehr: Kann ein probabilistisches KI-System in einem mehrstufigen, unternehmenskritischen Prozess ausreichend zuverlässig, reproduzierbar und sicher arbeiten?

Genau hier entstehen die technischen Unsicherheiten. Domänenspezifisches Fine-Tuning kann bei kleinen oder inkonsistenten Datensätzen zu instabilen Ergebnissen führen. Mehrere spezialisierte Agenten können Informationen unterschiedlich interpretieren oder bei konkurrierenden Zielen zu widersprüchlichen Ergebnissen kommen. Auch die objektive Leistungsbewertung solcher Systeme ist deutlich komplexer als bei klassischen Softwarefunktionen. Hinzu kommen Fragen zu Robustheit und Sicherheit, insbesondere beim Umgang mit unstrukturierten oder potenziell fehlerhaften Eingaben.

Das Projekt geht deshalb deutlich über eine klassische AI-Integration hinaus. Im Mittelpunkt stehen die Entwicklung und Erprobung neuer Orchestrierungs-, Evaluierungs- und Sicherheitsmechanismen für agentische Systeme. Genau solche Fragestellungen können die Grenze zwischen Routineentwicklung und förderfähiger Forschung und Entwicklung markieren.

‍

‍

Beispiel 2 - Forschungszulage für Energy Tech: industrielle Batteriespeicher intelligent optimieren

Ein weiteres Beispiel stammt aus einem Unternehmen, das eine Software zur intelligenten Steuerung industrieller Batteriespeicher entwickelt. Auch hier ist nicht der Einsatz von Machine Learning oder eines digitalen Zwillings allein ausschlaggebend. Entscheidend ist die technische Fragestellung dahinter.

Ein industrieller Batteriespeicher muss in einer realen Umgebung gleichzeitig unterschiedliche Faktoren berücksichtigen. Verbrauch und Stromerzeugung verändern sich laufend, Marktpreise schwanken und der Speicher selbst unterliegt technischen und physikalischen Grenzen. Eine wirtschaftlich sinnvolle Steuerung muss deshalb Prognosen, Systemverhalten und Marktinformationen miteinander verbinden.

Dafür wird ein Gesamtsystem aus Prognosemodellen, digitalem Zwilling und mathematischer Optimierung entwickelt. Ziel ist es, aus unterschiedlichen Datenquellen automatisiert eine optimale Fahrstrategie abzuleiten und diese in Echtzeit an das physische Speichersystem zu übertragen.

Die Forschungsfrage steckt dabei in der Kombination der einzelnen Komponenten. Ein Prognosemodell kann unter normalen Bedingungen gut funktionieren und bei extremen Wetterlagen oder veränderten Produktionsprofilen plötzlich deutlich schlechter werden. Ein digitaler Zwilling kann das reale Verhalten eines Batteriespeichers nur approximieren. Und ein mathematisch optimales Ergebnis ist wenig wert, wenn Kommunikation, Latenz oder reale Betriebsbedingungen dazu führen, dass sich die Steuerung nicht stabil umsetzen lässt.

Das Team muss deshalb kontinuierlich testen, simulieren und validieren. Die technische Unsicherheit liegt nicht nur in einem einzelnen Algorithmus, sondern im Zusammenspiel von Prognose, Optimierung und Echtzeitsteuerung.

Genau deshalb kann ein solches Projekt ein relevanter Forschungszulage-Case sein. Es geht nicht um die Implementierung eines bekannten Energiemanagementsystems, sondern um die Entwicklung eines neuen, integrierten Entscheidungsmodells unter realen technischen Unsicherheiten. Das zugrunde liegende Projekt verbindet ML-Prognosen, einen digitalen Zwilling und eine automatisierte Optimierungs- und Steuerungslogik für industrielle Batteriespeicher.

Beispiel 3 - Forschungszulage für Deep-Tech-Software: komplexe 3D-Modelle in Echtzeit erzeugen

In diesem Projekt geht es um die Entwicklung einer cloudbasierten Lösung, mit der komplexe dreidimensionale Modelle aus heterogenen technischen Daten deutlich schneller erzeugt und gemeinsam bearbeitet werden können.

Die Herausforderung liegt dabei nicht allein in der Visualisierung. Die zugrunde liegenden Daten unterscheiden sich in Qualität, Auflösung und Struktur und können teilweise widersprüchlich sein. Gleichzeitig soll die Modellierung so performant sein, dass Ergebnisse nicht erst nach langen Berechnungszeiten verfügbar sind, sondern nahezu in Echtzeit aktualisiert werden können.

Der FuE-Kern liegt deshalb in der Frage, ob sich heterogene und teilweise inkonsistente Eingangsdaten so verarbeiten lassen, dass daraus stabile, nachvollziehbare und schnell berechenbare 3D-Modelle entstehen.

Dafür werden neue probabilistische und ML-basierte Modellierungsverfahren entwickelt, Verfahren zur Quantifizierung von Unsicherheiten untersucht und die Rechenlogik für eine skalierbare Cloud-Architektur optimiert. Parallel wird daran gearbeitet, große Volumendaten so aufzubereiten, dass sie auch auf unterschiedlichen Endgeräten effizient visualisiert und kollaborativ bearbeitet werden können.

Die technischen Unsicherheiten entstehen vor allem an den Schnittstellen dieser Komponenten. Widersprüchliche Eingangsdaten können zu instabilen Modellen führen, große Datensätze können die Echtzeitfähigkeit begrenzen und aufwendige Visualisierungen können die Nutzung auf ressourcenärmeren Geräten erschweren.

Genau diese Kombination aus algorithmischer Entwicklung, Skalierung, Unsicherheitsmodellierung und experimenteller Validierung bildet den FuE-Kern des Projekts.

‍

‍

Beispiel 4 - Forschungszulage für Climate Tech: komplexe Wärmenetze automatisiert steuern  

In diesem Projekt geht es um die Entwicklung einer KI-gestützten Optimierungslösung für komplexe Wärmenetze. Dabei müssen unterschiedliche Wärmequellen, Speicher, volatile Strompreise, Wetterdaten und wechselnde Bedarfsprofile gleichzeitig berücksichtigt werden.

Die technische Herausforderung liegt darin, diese Faktoren nicht nur zu erfassen, sondern daraus innerhalb eines kurzen Zeitfensters belastbare Steuerungsentscheidungen abzuleiten. Klassische Optimierungsverfahren können solche Systeme grundsätzlich modellieren, stoßen bei steigender Komplexität jedoch schnell an Grenzen.

Deshalb wird ein hybrider Ansatz aus Machine Learning, Constraint-Programmierung und mathematischer Optimierung entwickelt. Ziel ist es, Prognosen, technische Systemgrenzen und wirtschaftliche Rahmenbedingungen so miteinander zu verbinden, dass das Wärmenetz automatisiert und adaptiv gesteuert werden kann.

Der FuE-Kern liegt in der Frage, ob sich diese unterschiedlichen Methoden so kombinieren lassen, dass das Gesamtsystem schnell, präzise und robust genug für den realen Betrieb arbeitet.

Dabei bestehen mehrere technische Unsicherheiten. Die Berechnung kann zu langsam sein, um kurzfristig auf Marktveränderungen zu reagieren. Modelle können das reale Anlagenverhalten nur unzureichend abbilden. Auch die Kombination verschiedener Optimierungsverfahren kann zu instabilen oder nicht belastbaren Ergebnissen führen.

Die Entwicklung umfasst deshalb die Konzeption, Kombination, Simulation und Validierung neuer Optimierungsansätze unter realen Last- und Marktbedingungen. Genau diese methodische und technische Unsicherheit bildet den FuE-Kern des Projekts.

Beispiel 5 - Forschungszulage für Robotik und Advanced Manufacturing: Wenn ein Roboter seine Reparaturstrategie selbst entwickelt

In diesem Projekt wird ein mobiles Robotersystem für die automatisierte Reparatur großer industrieller Bauteile entwickelt. Ziel ist es, einen bislang stark manuellen Prozess so zu automatisieren, dass beschädigte Oberflächen selbstständig erfasst, analysiert und anschließend robotergestützt repariert werden können.

Dafür wird zunächst die Geometrie des Bauteils mit Sensorik erfasst und in ein digitales Modell überführt. Auf dieser Basis soll die Software automatisiert eine geeignete Reparaturstrategie sowie einen Bearbeitungspfad ableiten und an das Robotersystem übergeben.

Der FuE-Kern liegt dabei nicht in der Nutzung eines Roboters oder einzelner Sensoren, sondern in der Frage, ob Sensorik, Echtzeitanalyse, Pfadplanung und Robotersteuerung unter realen Industriebedingungen zuverlässig als Gesamtsystem funktionieren können.

Die technischen Unsicherheiten sind erheblich. Staub, wechselnde Lichtverhältnisse und unterschiedliche Oberflächen können die Geometrieerfassung beeinflussen. Die Sensordaten müssen präzise genug sein, um daraus belastbare Reparaturpfade abzuleiten. Gleichzeitig muss die Software komplexe Bauteilgeometrien schnell verarbeiten und sichere Bewegungsstrategien erzeugen.

Hinzu kommt die Integration der einzelnen Komponenten. Auch wenn Sensorik, Software und Robotiksteuerung jeweils für sich funktionieren, ist damit noch nicht sichergestellt, dass das Gesamtsystem robust, sicher und in Echtzeit arbeitet.

Die Entwicklung umfasst deshalb die experimentelle Erprobung der Geometrieerfassung, die Entwicklung automatisierter Analyse- und Pfadplanungsverfahren sowie die Validierung der Hardware-Software-Integration unter realen Betriebsbedingungen. Genau diese technisch unsichere Systemintegration bildet den FuE-Kern des Projekts.

Was diese fünf Forschungszulage-Beispiele gemeinsam haben

Die Projekte unterscheiden sich technologisch stark. Sie reichen von AI Agents über Energy Tech und Modellierung bis hin zu Climate Tech und Robotik. Trotzdem folgt ihre Förderfähigkeit immer derselben grundlegenden Logik.

Am Anfang steht jeweils eine konkrete Grenze bestehender Lösungen. Nicht die Aussage „Wir entwickeln etwas Innovatives“ ist entscheidend, sondern die Frage, welche technische Fähigkeit bestehende Technologien noch nicht zuverlässig leisten. Darauf folgt die eigentliche Unsicherheit. Bei einem förderfähigen FuE-Projekt ist der Lösungsweg zu Beginn nicht vollständig bekannt. Das Team weiß nicht mit Sicherheit, ob der gewählte Ansatz funktioniert, ob die erforderliche Performance erreicht wird oder ob sich mehrere technische Komponenten überhaupt stabil kombinieren lassen. Und schließlich braucht es ein systematisches Vorgehen. Die Unternehmen entwickeln Modelle, bauen Prototypen, führen Simulationen durch, trainieren Algorithmen, vergleichen unterschiedliche Ansätze und validieren ihre Ergebnisse unter realen Bedingungen.

Das ist auch der Grund, warum Forschungszulage und gewöhnliche Produktentwicklung nicht dasselbe sind. Eine neue Funktion in einer Software kann technisch anspruchsvoll sein und trotzdem Routineentwicklung darstellen. Umgekehrt kann ein einzelner technischer Teil eines größeren Produkts echte Forschung und Entwicklung enthalten, während andere Komponenten des Produkts klar außerhalb der FuE liegen.

FuE-Projekt gemeinsam mit DnA auf Förderfähigkeit prüfen

Du kennst dein Produkt. Dein Team kennt die technischen Hürden. Der nächste Schritt ist, daraus eine nachvollziehbare Bewertung des Förderpotenzials zu machen.

Bei DnA Ventures verbinden wir die Perspektive eines Early-Stage-Investors mit Industrie- und Technologieverständnis. Unser Fokus liegt auf Industrial und Deep Tech, und auf den Unternehmen, die neue technische Lösungen entwickeln.

Bei der Forschungszulage unterstützen wir dich von der ersten Einordnung über die Vorbereitung und Erstellung des Antrags bis zur Begleitung des weiteren Förderprozesses. Dabei geht es nicht darum, dein Projekt mit Förderbegriffen zu schmücken. Es geht darum, seine technische Substanz verständlich und nachvollziehbar darzustellen.

Erzähle uns, was du entwickelst, welche technische Frage noch offen ist und wie dein Team daran arbeitet. Gemeinsam schauen wir auf das mögliche Förderpotenzial und die nächsten Schritte.

Jetzt Förderfähigkeit prüfen

Über DnA Ventures

Aus der Industrie, für die Industrie: DnA Ventures verbindet Industrie- und Startup-Erfahrung mit Venture Capital und nicht verwässernder FuE-Finanzierung. Ansprechpartnerinnen für eine erste Förderfähigkeitsprüfung sind Anna Saari und Maite Pazmino.

Hinweis: Dieser Beitrag enthält allgemeine Informationen und ersetzt keine steuerliche oder rechtliche Beratung. Die tatsächliche Förderfähigkeit und Förderhöhe hängen vom Einzelfall ab. Rechtsstand: 8. September 2026.

‍