KI in der Qualitätssicherung: drei Lösungen, die Ausschuss und Nacharbeit senken
Qualitätskosten verstecken sich dreifach: im Ausschuss, in der Nacharbeit und in der Zeit, die Ihre besten Leute mit Ursachensuche verbringen. Für jeden der drei Posten gibt es eine erprobte KI-Lösung, und keine davon verlangt ein Forschungsprojekt. Dieser Leitfaden erklärt, wie die drei Lösungen technisch funktionieren, welche Daten sie im Betrieb voraussetzen, welche zu welchem Kostenblock passt, wie Sie den Business Case mit den Zahlen aus Ihrem eigenen Betrieb rechnen und in welcher Reihenfolge ein Mittelständler einsteigt. Das QS-Kostenblatt gibt es als druckbares Arbeitsblatt.
Drei KI-Lösungen decken die drei Qualitätskostenblöcke ab: kamerabasierte Sichtprüfung erkennt Oberflächen- und Montagefehler in Echtzeit und senkt den Ausschuss, der den Kunden erreicht; die Ursachenanalyse korreliert Ausschusschargen mit Maschinen-, Material- und Umgebungsdaten und senkt die Nacharbeit; abrufbares Prüfwissen macht Prüfanweisungen, Grenzmuster und gelöste Reklamationsfälle mit Quelle verfügbar und senkt die Suchzeit. Der Business Case beginnt mit drei Ist-Zahlen aus dem eigenen Betrieb, die Wirkung wird im Pilot von zwei bis vier Wochen gemessen. Für den Einstieg empfiehlt sich meist das Prüfwissen: keine neue Hardware, Daten vorhanden, Effekt in Wochen messbar. Bildprüfung lohnt bei stabiler Serienfertigung.
Wo Qualitätskosten wirklich entstehen
Der Ausschuss steht in der Kostenrechnung, die Nacharbeit meist auch. Der dritte Block fehlt fast immer: die Stunden, in denen ein Prüfer, ein Meister oder ein Verfahrenstechniker nach der Ursache einer Abweichung sucht, alte Prüfprotokolle wälzt oder den Kollegen anruft, der den Fall vor zwei Jahren schon einmal hatte. In unserer Praxis ist dieser dritte Block der am stärksten unterschätzte, weil er in keiner Buchung auftaucht und trotzdem die teuersten Leute bindet. Jedem der drei Blöcke lässt sich eine KI-Lösung zuordnen, und die Zuordnung entscheidet, womit Sie anfangen.
Lösung 1: Automatische Sichtprüfung
Kamerabasierte Prüfung erkennt Oberflächen- und Montagefehler in Echtzeit und konstanter als das müde Auge in Stunde acht. Technisch trainieren Sie ein Bildmodell mit Aufnahmen von Gutteilen und von Fehlerklassen, etwa Kratzer, Lunker, fehlende Schraube, falsche Lage. Das Modell liefert je Teil eine Entscheidung mit Sicherheitswert, und die unsicheren Fälle gehen an einen Menschen. Sinnvoll ist das ab stabiler Serienfertigung mit gleichbleibender Beleuchtung und Position; bei wechselnden Losgrößen und neuen Varianten alle zwei Wochen wird das Nachtrainieren zur Dauerbaustelle. Der Business Case rechnet sich über entdeckte Fehler vor dem Versand: Jede Reklamation, die nicht entsteht, spart Rücksendung, Sortierung und den Termin beim Kunden. Was die Kamera im Detail leistet und welche Fehlerklassen sie zuverlässig erkennt, steht in Machine Vision: Qualitätsprüfung in Echtzeit.
Die betriebliche Voraussetzung, die im Angebot oft fehlt: Sie brauchen gelabelte Fehlerbilder, also Aufnahmen, bei denen ein Mensch festgehalten hat, welcher Fehler zu sehen ist. In unserer Erfahrung genügen für den Start einige hundert Bilder je Fehlerklasse, und seltene Fehler, die zweimal im Jahr auftreten, lernt das Modell erst nach Monaten. Wer Sichtprüfung plant, beginnt deshalb am Tag der Entscheidung damit, Fehlerteile zu fotografieren und zu beschriften.
Lösung 2: Ursachenanalyse über Prozessdaten
KI korreliert Ausschusschargen mit Maschinen-, Material- und Umgebungsdaten und findet Muster, die im Schichtbuch unsichtbar bleiben: Der Ausschuss steigt immer dann, wenn Materialcharge L und Werkzeug W3 zusammenkommen, oder wenn die Hallentemperatur nachmittags über einen Wert steigt. Das Ergebnis ist eine Rangliste von Einflussgrößen mit Beleg, die der Verfahrenstechniker prüft. Nacharbeit sinkt, weil die Ursache statt des Symptoms behandelt wird. Voraussetzung ist eine durchgängige Chargen- oder Auftrags-ID, die Prüfergebnis, Maschine, Material und Zeitpunkt verbindet. Fehlt sie, lässt sich nichts korrelieren, und der erste Schritt ist Datenarbeit im MES oder im ERP. Wie eine solche Analyse konkret aufgesetzt wird, beschreibt Nacharbeit reduzieren: Ursachen finden; wie daraus Vorschläge für Prozessparameter werden, zeigt Prescriptive Quality Control.
Lösung 3: Prüf- und Erfahrungswissen abrufbar machen
Der unterschätzte Hebel: Prüfanweisungen, Grenzmuster und gelöste Reklamationsfälle als abfragbares Wissen, mit Quelle. Neue Prüfer arbeiten ab Woche eins auf Hausniveau, Reklamationen werden mit Historie beantwortet statt mit Archivsuche. Technisch ist das ein Wissensassistent, der Prüfanweisungen, Prüfprotokolle, 8D-Reports und Fotos von Grenzmustern liest und jede Antwort mit Dokument, Version und Abschnitt belegt. Er braucht keine neue Hardware und keine gelabelten Bilder, nur die Dokumente, die es ohnehin gibt. Im Zwei-Wochen-Pilot bei TROESTER hat ein solcher Assistent mit zwölf angebundenen Systemen die Lösungszeit pro Störung von rund sechs Stunden auf 76 Minuten gesenkt; in der Qualitätssicherung ist die Mechanik dieselbe, nur die Dokumente heißen anders.
Warum die Quelle dabei entscheidet: Ein Prüfer, der eine Antwort ohne Beleg bekommt, muss sie nachprüfen und hat nichts gewonnen. Eine Antwort mit Prüfprotokoll und Grenzmuster kann er direkt verwenden und im 8D-Report zitieren. Was ein Beleg im Betrieb wert ist, steht in Antwort mit Quelle: warum Belege zählen; wie ein 8D-Report mit Assistent entsteht, in 8D-Report mit KI bearbeiten.
Welche Lösung passt zu welchem Kostenblock?
Die drei Lösungen sind keine Konkurrenten, sie greifen an verschiedenen Stellen. Die Matrix ordnet zu, welche Lösung welchen Kostenblock stark, mittel oder gering beeinflusst und ob sie neue Hardware braucht. Sie ist die Grundlage für die Frage, womit Sie anfangen.
Sichtprüfung wirkt stark auf den Ausschuss, der den Kunden erreicht, braucht aber Kameras, Beleuchtung und Bilder. Ursachenanalyse wirkt stark auf die Nacharbeit, braucht keine Hardware, aber die durchgängige ID. Prüfwissen wirkt stark auf die Suchzeit und mittel auf die Nacharbeit, weil gelöste Fälle schneller wiedergefunden werden, und es braucht weder Hardware noch neue Daten. Wer alle drei Blöcke beziffert hat, sieht meist auf einen Blick, welche Zeile am schnellsten Geld zurückbringt.
Wie rechnen Sie den Business Case mit einer Zahl?
Jeder Block hat eine Rechnung, die sich mit Bordmitteln aufstellen lässt, und keine davon braucht eine Annahme über die Wirkung der KI. Ausschuss: Ausschussquote mal Stückkosten mal Jahresmenge, plus die Reklamationen, die den Kunden erreicht haben, mit Rücksendung und Sortierung. Nacharbeit: Nacharbeitsstunden je Monat mal Stundensatz, plus Materialanteil. Suchzeit: Stunden je Ursachensuche mal Fälle je Monat mal Stundensatz der Person, die sucht. Diese drei Zahlen sind der Ist-Zustand. Die Wirkung der Lösung wird dann im Pilot gemessen statt geschätzt: Ein Pilot für Prüfwissen dauert in unserer Praxis zwei bis vier Wochen und liefert die Suchzeit vorher und nachher aus denselben Fällen.
Das QS-Kostenblatt mit den drei Rechnungen, der Datenlage und der Priorität können Sie als druckbares Arbeitsblatt (PDF) herunterladen. Ausgefüllt ist es die Vorlage für das Gespräch mit der Geschäftsführung, weil es die Frage „Was kostet uns Qualität heute?“ mit drei Zahlen aus dem eigenen Betrieb beantwortet. Wie sich daraus ein belastbarer Nachweis für die Geschäftsführung entwickelt, steht in KI-Lösung: ROI nachweisen.
Womit anfangen: die Reihenfolge für den Einstieg
Prüfen Sie die drei Hebel in der Reihenfolge sehen, verstehen, wissen. Starten Sie meist in umgekehrter Reihenfolge, weil das Prüfwissen keine Hardware braucht, die Daten schon vorhanden sind und der Effekt in Wochen messbar ist.
Schritt eins ist das Kostenblatt, ein Nachmittag mit Qualitätsleitung und Controlling. Schritt zwei ist der Pilot für das Prüfwissen: Prüfanweisungen, Protokolle und die letzten zwei Jahre Reklamationsfälle anbinden, 30 echte Fragen der Prüfer stellen, Suchzeit messen. Schritt drei ist die Ursachenanalyse, sobald die Chargen-ID durchgängig ist; oft zeigt erst der Pilot aus Schritt zwei, wo sie fehlt. Schritt vier ist die Sichtprüfung, wenn eine Serie stabil genug läuft und die Fehlerbilder gesammelt sind. Für Betriebe mit vielen Varianten und kleinen Losen bleibt Schritt vier oft aus, und das ist keine Niederlage, weil die ersten drei Schritte dort den größeren Anteil der Qualitätskosten tragen.
Was KI in der Qualitätssicherung nicht löst
Keine der drei Lösungen ersetzt ein Messmittel oder eine Prüfplanung. Eine Kamera, die ein Maß nicht sehen kann, lernt es auch mit mehr Bildern nicht; ein Prozess, der nicht fähig ist, wird durch Ursachenanalyse erklärt, aber nicht fähig gemacht. Die Verantwortung für die Freigabe eines Loses bleibt beim Menschen, und sie bleibt es auch gegenüber dem Kunden und im Audit nach ISO 9001. Ein Assistent, der Prüfanweisungen liest, ist so aktuell wie die Anweisungen; drei Versionen derselben Prüfvorschrift im Umlauf sind ein Dokumentationsproblem, das vor dem Pilot gelöst wird. Die Sichtprüfung erzeugt Bilder, auf denen Beschäftigte zu sehen sein können, und die Ursachenanalyse wertet Schichtdaten aus, deshalb gehören beide zur Mitbestimmung nach BetrVG § 87 und je nach Personenbezug in eine Datenschutz-Folgenabschätzung nach DSGVO Art. 35. Und wer die Vorschläge der Analyse bewertet, muss nach EU AI Act Art. 4 einschätzen können, wann ein Muster eine Ursache ist und wann ein Zufall.
Häufige Fragen
Womit sollte ein Mittelständler in der QS anfangen?
Meist mit Lösung 3, dem abrufbaren Prüfwissen: keine neue Hardware, Daten vorhanden, Effekt in zwei bis vier Wochen messbar. Davor steht das Kostenblatt mit den drei Zahlen für Ausschuss, Nacharbeit und Suchzeit. Bildprüfung lohnt bei stabiler Serie, Ursachenanalyse sobald eine Chargen-ID durchgängig ist.
Brauchen wir gelabelte Fehlerbilder für den Start?
Für die Sichtprüfung ja, in überschaubarer Menge; in unserer Erfahrung einige hundert Bilder je Fehlerklasse, seltene Fehler brauchen Monate Sammelzeit. Für Ursachenanalyse und Prüfwissen reichen die vorhandenen Prozess- und Dokumentdaten. Wer Sichtprüfung plant, fängt am Tag der Entscheidung an zu fotografieren.
Wie rechne ich den Business Case für KI in der Qualitätssicherung?
Mit drei Ist-Zahlen aus dem eigenen Betrieb: Ausschussquote mal Stückkosten mal Menge, Nacharbeitsstunden mal Stundensatz plus Material, und Stunden je Ursachensuche mal Fälle mal Stundensatz. Die Wirkung der Lösung wird danach im Pilot gemessen, nicht vorab geschätzt. Das Kostenblatt im Artikel führt durch die Rechnung.
Welche Daten braucht die Ursachenanalyse?
Eine durchgängige Chargen- oder Auftrags-ID, die Prüfergebnis, Maschine, Material, Werkzeug und Zeitpunkt verbindet. Fehlt sie, lässt sich nichts korrelieren, und der erste Schritt ist Datenarbeit im MES oder ERP. Oft zeigt erst der Pilot mit dem Prüfwissen, an welcher Stelle die ID abreißt.
Ist KI in der QS mitbestimmungspflichtig?
Sichtprüfung erzeugt Bilder, Ursachenanalyse wertet Schichtdaten aus; beides kann Rückschlüsse auf Beschäftigte zulassen und fällt damit unter BetrVG § 87. Je nach Personenbezug kommt eine Datenschutz-Folgenabschätzung nach DSGVO Art. 35 hinzu. Wer den Betriebsrat vor dem Pilot einbindet, spart in unserer Praxis mehr Zeit als jede technische Abkürzung.
Wo drückt die Qualität am teuersten?
Im 30-Minuten-Gespräch sortieren wir die drei Hebel für Ihren Fall.
Gespräch buchen →Solche Ablaeufe automatisieren wir im Auftrag: KI-Prozessautomatisierung, vom priorisierten Prozess bis zum Pilot mit Vorher-Nachher-Zahl.
