21.07.2026
ENERGY

Problem Energiefalle: Wie Ecocircling die größte Herausforderung der Fischzucht löst

Das Startup Ecocircling rund um Mitgründerin Teresa Millinger hat seine erste Aquaponik-Pilotanlage in Betrieb genommen. Mit einem modularen Kreislaufsystem für Fischzucht und Pflanzenproduktion, KI-gestützter Steuerung und eigener Energieversorgung will das Unternehmen regionale Lebensmittelproduktion effizienter machen. Im Gespräch erklärt Millinger, wie Ecocircling den hohen Energiebedarf der Branche adressiert und warum die Technologie auch international Potenzial hat.
/artikel/problem-energiefalle-wie-ecocircling-die-groesste-herausforderung-der-fischzucht-loest
Ecocircling
© Franz Neumayr - Teresa Millinger (l.), Geschäftsführerin Ecocircling und Grace Sheehan, Investorin und US-Unternehmerin.

Das oberösterreichisch-salzburgische Startup hat knapp ein Jahr nach Projektstart und einem US-Investment seine erste Pilotanlage hochgefahren. Ziel ist es, die starke Importabhängigkeit Österreichs bei Speisefisch zu reduzieren. Die modularen „Cubes“ kombinieren dafür Fischzucht und Pflanzenproduktion in einem geschlossenen Wasserkreislauf, der durch moderne Sensorik und KI-gestütztes Monitoring weitgehend automatisiert betrieben wird.

Ecocircling und die Wasserersparnis

Die aktuelle Pilotanlage ist auf eine Jahresproduktion von bis zu neun Tonnen Wels ausgelegt und punktet vor allem durch einen extrem geringen Ressourcenverbrauch. Millinger erklärt das Prinzip: „Wir geben täglich weniger als fünf Prozent Frischwasser zu, das übrige Wasser wird aufbereitet und wiederverwendet. In unserem Aquaponik-System reinigen zusätzlich die Pflanzen das Wasser, indem sie die Nährstoffe aufnehmen. So kommen wir auf über 90 Prozent Ersparnis gegenüber klassischer Teichhaltung.“

Künftig sollen die Anlagen in unterschiedlichen Größen unter anderem für Hotels, Gastronomie und landwirtschaftliche Betriebe angeboten werden. Dafür musste das Startup jedoch die größte Hürde der Branche meistern: den massiven Energiebedarf.

„Das ist genau der Punkt, an dem viele Wettbewerber gescheitert sind“, sagt die Co-Founderin. „Der entscheidende Faktor ist der Winter: Unsere Fische brauchen eine Beckentemperatur von 26 °C, und dieses Wasser dauerhaft warm zu halten, ist der mit Abstand aufwendigste Energieposten. Genau daran ist bei vielen die Kalkulation zerbrochen. Wir haben unsere Anlagen deshalb konsequent auf diesen Punkt hin optimiert: Durch eine exzellente Dämmung, die den Wärmeverlust von vornherein minimiert, durch eine KI-gesteuerte Wärmerückgewinnung und durch eigene Energiequellen – ein Windrad und eine Biomasseanlage, die als Brennstoff sogar den Abfall aus unserer Gemüseproduktion nutzt.“

PV und Windrad

Dieser Ansatz ist bei Ecocircling bereits in der Umsetzung: Bei der Pilotanlage in Oberösterreich soll in den kommenden Monaten das erwähnte Windrad installiert werden; auch Photovoltaik ist in Planung. „Dadurch fällt der zugekaufte Wärmeanteil sehr gering aus. Genaue Werte für die KWh pro Fisch hängen vom Standort ab. Westliche oder windarme Regionen sind hier benachteiligt“, räumt die Gründerin ein. Durch die eigene Energieversorgung möchte das Startup den Betrieb von den Preisschwankungen des volatilen Marktes entkoppeln. „Damit bleibt unsere Kalkulation planbar, auch wenn die Energiepreise steigen“, so Millinger.

Fokus auf Technologie

Ob es künftig Pläne gibt, diese Prozesstechnologie zu vertreiben, oder „nur“ mit Fischen Geld zu machen, meint Millinger, dass beides in den Köpfen des Teams bestehe, jedoch mit klarer Priorität auf der Technologie.

„Unser Kern ist die Anlage selbst: ein standardisiertes Plug-and-Play-Produkt, das wir künftig in verschiedenen Größen anbieten. Eigene Standorte betreiben wir vor allem als Referenzanlagen. Überzeugend macht das Ganze das Verhältnis von Investition zu Kapazität – 90.000 Euro für zwölf Tonnen Fisch pro Jahr, mit einem Return on Investment von typischerweise unter drei Jahren. Genau diese Kombination aus niedrigem Preis, Standardisierung und geringem Betreuungsaufwand macht die Anlage zu einem echten Produkt. Dass es schon in der Entwicklungsphase internationale Nachfrage gab, bestätigt das.“

Deine ungelesenen Artikel:
21.09.2026

AI Baseline: Wie ein Wiener Startup KI-Agenten effizienter machen will

Das Wiener Startup AI Baseline hat eine Retrieval-Architektur für KI-Agenten entwickelt. Mit Unterstützung von Supercomputing-Ressourcen von AI:AT will das Gründungsteam die Recherche in riesigen Datenmengen drastisch beschleunigen und Kosten senken – bei höherer Antwortqualität und voller Transparenz.
/artikel/ai-baseline-wie-ein-wiener-startup-ki-agenten-effizienter-machen-will
21.09.2026

AI Baseline: Wie ein Wiener Startup KI-Agenten effizienter machen will

Das Wiener Startup AI Baseline hat eine Retrieval-Architektur für KI-Agenten entwickelt. Mit Unterstützung von Supercomputing-Ressourcen von AI:AT will das Gründungsteam die Recherche in riesigen Datenmengen drastisch beschleunigen und Kosten senken – bei höherer Antwortqualität und voller Transparenz.
/artikel/ai-baseline-wie-ein-wiener-startup-ki-agenten-effizienter-machen-will
Das Gründungsteam von AI Baseline: Xenia Galkina, CEO, und Alexander Czech, CTO | © APA-Fotoservice / Krisztian Juhasz
Das Gründungsteam von AI Baseline: Xenia Galkina, CEO, und Alexander Czech, CTO | © APA-Fotoservice / Krisztian Juhasz

KI-Agenten sollen in Unternehmen und Organisationen zunehmend komplexe Aufgaben übernehmen – etwa die Analyse von Hunderttausenden Seiten interner Berichte, Dokumente und Richtlinien. Bisherige Retrieval-Systeme stoßen dabei jedoch an technische und ökonomische Grenzen, meint man beim Wiener Startup AI Baseline. Ein KI-Agent beginne bei aktuellen Ansätzen nämlich für jede neue Frage eine eigenständige Suche, wodurch dieselben Dokumente immer wieder neu verarbeitet werden müssten. Das führe zu einem hohen Verbrauch an kostenpflichtigen Modell-Tokens, Rechenleistung und Zeit. Bei anspruchsvollen Fragen könne die Beantwortung bis zu 40 Minuten dauern, während die zugrunde liegenden Textfragmente oft nicht mehr bis zur Originalquelle zurückverfolgt werden können.

„Knowledge Space“ für mehr Effizienz und Transparenz

Um dieses Zusammenspiel aus Effizienz- und Transparenzproblemen zu lösen, hat das von CEO Xenia Galkina und CTO Alexander Czech gegründete Unternehmen eine neue Retrieval-Architektur entwickelt. Das System bildet Informationen in einer logisch verknüpften Ebene ab, wodurch die Herkunft der Daten über die Struktur des sogenannten „Knowledge Space“ erhalten bleibt. Da die aufwendige Strukturierung einmalig bei der Datenaufnahme erfolgt, soll der anschließende Rechercheprozess auch bei großen Datenmengen wirtschaftlich und nachvollziehbar bleiben. Das Versprechen des Startups: Organisationen müssen bei KI-Anfragen nicht mehr zwischen Geschwindigkeit, Kosten und Qualität wählen.

Überzeugende Benchmark-Vergleiche

Eigenen Benchmark-Tests zufolge soll der „Research Mode“ von AI Baseline im Vergleich zu herkömmlichem agentischen RAG eine um 44 Prozent höhere Antwortqualität liefern, bis zu 22-mal schneller arbeiten und 72 Prozent weniger Input-Tokens verbrauchen. Bei maximaler Performance erreicht das System laut Unternehmensangaben mehr als die doppelte Antwortqualität bei nahezu neunfacher Geschwindigkeit und rund 15 Prozent geringeren Kosten.

20.000 GPU-Stunden auf Supercomputer Leonardo im AI:AT Hub

Das im Dezember 2025 gegründete bzw. im Hub aufgenommene Startup wird von NVIDIA Inception sowie AWS unterstützt und ist Mitglied im AI:AT Coworking Hub der AI Factory Austria. Für die Entwicklung der ersten Produktversion nutzte das bootstrappende Team unter anderem 20.000 GPU-Stunden auf dem europäischen Supercomputer Leonardo, die über die AI Factory Austria und EuroHPC bereitgestellt wurden. „Die Arbeit im AI:AT Hub war für uns ein echter Booster“, heißt es von CEO Xenia Galkina. Der Zugang zu Hochleistungsinfrastruktur habe es erst möglich gemacht, die Technologie in dieser Größenordnung umzusetzen. CTO Alexander Czech verweist zudem auf den Wert des Netzwerks: „Ebenso wertvoll ist die Community: Der Austausch mit anderen Gründern […] und der Zugang zu Experten […] haben uns geholfen, über die Technologie selbst hinauszudenken“.

Die Lösung richtet sich laut AI Baseline vor allem an technische Teams in regulierten und datenintensiven Branchen wie Life Sciences, Healthcare, Recht, Finanzforschung und dem öffentlichen Sektor. Während der aktuellen Beta-Phase kann die Architektur über eine API oder als Claude Skill getestet werden. Zudem sucht das Unternehmen derzeit Design-Partner für seine Ingestion Engine.

Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.

brutkasten Newsletter

Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.

Montag, Mittwoch und Freitag

AI Summaries

Problem Energiefalle: Wie Ecocircling die größte Herausforderung der Fischzucht löst

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Problem Energiefalle: Wie Ecocircling die größte Herausforderung der Fischzucht löst

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Problem Energiefalle: Wie Ecocircling die größte Herausforderung der Fischzucht löst

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Problem Energiefalle: Wie Ecocircling die größte Herausforderung der Fischzucht löst

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Problem Energiefalle: Wie Ecocircling die größte Herausforderung der Fischzucht löst

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Problem Energiefalle: Wie Ecocircling die größte Herausforderung der Fischzucht löst

AI Kontextualisierung

Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Problem Energiefalle: Wie Ecocircling die größte Herausforderung der Fischzucht löst

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Problem Energiefalle: Wie Ecocircling die größte Herausforderung der Fischzucht löst

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Problem Energiefalle: Wie Ecocircling die größte Herausforderung der Fischzucht löst