Was sich wirklich ändert – und was nicht
Künstliche Intelligenz ersetzt im Qualitätsmanagement keine der etablierten Methoden. SPC, FMEA, 8D, Prozessaudits – das Handwerkszeug bleibt dasselbe. Was sich ändert, ist die Geschwindigkeit und Tiefe, mit der große Datenmengen ausgewertet werden können, die vorher entweder gar nicht systematisch betrachtet wurden oder nur mit hohem manuellen Aufwand. KI ist damit ein zusätzliches Werkzeug im bestehenden Werkzeugkasten, kein Ersatz für ihn.
Wichtig für die Einordnung: die meisten produktiv eingesetzten KI-Anwendungen im Qualitätsmanagement sind kein "Large Language Model", das frei antwortet, sondern spezialisierte, eng trainierte Modelle für eine einzelne, klar umrissene Aufgabe – etwa Bildklassifikation oder Anomalieerkennung in Zeitreihen. Das ist ein wesentlicher Unterschied zu den KI-Chatbots, die aktuell viel öffentliche Aufmerksamkeit bekommen.
Automatisierte optische Prüfung (Computer Vision)
Der am weitesten verbreitete Einsatzbereich: Kamerasysteme mit trainierten Bildklassifikationsmodellen erkennen Oberflächenfehler, Lunker, Kratzer oder Fehlmontagen automatisiert, in Echtzeit und mit einer Konsistenz, die eine manuelle Sichtprüfung über eine ganze Schicht hinweg nicht halten kann – menschliche Aufmerksamkeit lässt nach mehreren Stunden nachweislich nach, ein Kamerasystem nicht.
Der Aufwand liegt nicht im Kamerasystem selbst, sondern im Training: ein Modell braucht eine ausreichend große, sauber gekennzeichnete Menge an Beispielbildern für jeden Fehlertyp, den es erkennen soll – inklusive Grenzfällen, die schwer eindeutig zu bewerten sind. Wird hier gespart, produziert das System entweder zu viele Fehlalarme (Pseudo-Ausschuss) oder übersieht echte Fehler. Die Prüfmittelfähigkeit eines solchen Systems muss genauso nachgewiesen werden wie bei jedem anderen Prüfmittel.
Predictive Quality: Vorhersage statt Reaktion
Predictive Quality nutzt Prozess- und Maschinendaten (Temperatur, Druck, Werkzeugstandzeit, Vibrationswerte), um Qualitätsabweichungen vorherzusagen, bevor sie tatsächlich auftreten – statt erst am Ende der Linie zu prüfen und dann zu reagieren. Ein Modell lernt aus historischen Daten, welche Kombination von Prozessparametern typischerweise zu einem bestimmten Fehlerbild führt, und schlägt Alarm, wenn sich diese Kombination im laufenden Prozess abzeichnet.
Das ist im Kern eine Erweiterung dessen, was SPC mit Regelkarten schon immer versucht hat – nur nicht mehr auf ein einzelnes Merkmal begrenzt, sondern über viele Parameter gleichzeitig, mit Mustern, die für einen Menschen in der Kombination kaum noch manuell erkennbar wären.
Reklamationen und 8D-Reports automatisiert auswerten
Ein Bereich, der in der Praxis oft unterschätzt wird: Textauswertung. Wer über Jahre hinweg Hunderte oder Tausende Reklamationen, 8D-Reports und Auditfeststellungen als Freitext gesammelt hat, sitzt auf einem großen, ungenutzten Datenschatz. Sprachmodelle können solche Texte auswerten, wiederkehrende Fehlerursachen clustern und Muster sichtbar machen, die bei rein manueller Durchsicht untergehen – etwa dass ein bestimmter Fehlertyp saisonal gehäuft auftritt oder mit einem bestimmten Lieferanten korreliert.
Wichtig dabei: die KI liefert hier Hinweise auf mögliche Zusammenhänge, keine bestätigten Ursachen. Die eigentliche Root-Cause-Analyse – etwa mit Ishikawa-Diagramm oder 5-Why – bleibt weiterhin Aufgabe des Menschen.
Anomalieerkennung in Prozessdaten
Klassische Regelkarten arbeiten mit festen Eingriffsgrenzen für einzelne Merkmale. KI-gestützte Anomalieerkennung kann demgegenüber auch subtile, mehrdimensionale Abweichungen erkennen – Muster, die kein einzelnes Merkmal für sich genommen außerhalb der Toleranz zeigen, aber in ihrer Kombination auf eine beginnende Störung hindeuten. Das ist besonders bei komplexen Fertigungsprozessen mit vielen gleichzeitig überwachten Parametern relevant.
Was KI im Qualitätsmanagement nicht kann
So nützlich diese Anwendungen sind, drei Grenzen sollte man kennen, bevor man ein Projekt startet:
- Datenqualität ist die eigentliche Hürde, nicht die Technik. Ein Modell ist nur so gut wie die Daten, mit denen es trainiert wurde. Unvollständige, inkonsistent erfasste oder falsch gekennzeichnete Daten führen zu unzuverlässigen Ergebnissen – unabhängig davon, wie leistungsfähig das eingesetzte Modell ist.
- Nachvollziehbarkeit ist in regulierten Branchen Pflicht, nicht Kür. In der Automobilindustrie oder Medizintechnik muss eine Qualitätsentscheidung im Audit nachvollziehbar begründbar sein. Ein Modell, das eine Entscheidung trifft, ohne dass nachvollziehbar ist, warum, ist in diesem Kontext ein Risiko, kein Vorteil – die Freigabeverantwortung bleibt beim Menschen.
- KI erkennt Muster in bekannten Daten, keine grundsätzlich neuen Fehlerarten. Ein völlig neuer Fehlertyp, der in den Trainingsdaten nicht vorkam, wird von einem darauf trainierten Modell im Zweifel nicht zuverlässig erkannt. Menschliche Erfahrung und Wachsamkeit bleiben deshalb unverzichtbar, gerade bei neuen Produkten oder Prozessen.
Wie man ein erstes KI-Projekt im Qualitätsmanagement sinnvoll startet
Wer damit anfangen will, sollte nicht mit dem größten oder komplexesten Anwendungsfall starten, sondern mit einem klar abgegrenzten Problem, für das bereits ausreichend Daten vorliegen – zum Beispiel eine einzelne Prüfstation mit hohem Datenaufkommen, oder ein Reklamationsarchiv mit mehreren Jahren Historie. Ein kleiner, gut abgegrenzter Pilot mit messbarem Erfolgskriterium liefert innerhalb weniger Wochen eine belastbare Aussage, ob sich der Ansatz lohnt – ein zu groß angelegtes Projekt ohne klaren Fokus liefert dagegen oft erst nach Monaten überhaupt ein erstes Ergebnis, und dann häufig ein ernüchterndes.
Ein Automobilzulieferer wertet über Jahre gesammelte 8D-Reports mit einem Textanalyse-Modell aus, um wiederkehrende Fehlerursachen zu identifizieren. Die Auswertung zeigt einen Zusammenhang, der bei rein manueller Durchsicht nicht aufgefallen war: ein bestimmter Fehlertyp tritt überproportional häufig bei Chargen auf, die von einem bestimmten Vorlieferanten stammen, aber nur in Kombination mit einer bestimmten Umgebungstemperatur bei der Weiterverarbeitung. Die KI liefert hier keine fertige Ursache, sondern einen konkreten Ansatzpunkt für eine gezielte Ursachenanalyse – die anschließend klassisch mit Ishikawa-Diagramm und Versuchen am Prozess durchgeführt wird und den Zusammenhang bestätigt.
KI-Bild
Ausführlich mit Grafik, Warnhinweisen und vollständigem Praxisfall: Kapitel 10.01, 10.06, 10.07, S. 416, 426, 431 in „Der Qualitätsingenieur". Buch ansehen →
Häufige Fragen
Ersetzt KI die klassischen Qualitätsmanagement-Methoden wie FMEA oder SPC?
Nein. KI ergänzt diese Methoden, indem sie größere Datenmengen schneller auswertet, ersetzt aber nicht die zugrundeliegende Methodik. Eine FMEA bleibt eine FMEA, eine Ursachenanalyse bleibt eine Ursachenanalyse – KI kann bei der Datenauswertung unterstützen, die fachliche Bewertung bleibt Aufgabe des Menschen.
Braucht man für den Einstieg in KI im Qualitätsmanagement Programmierkenntnisse?
Für den Einsatz fertiger Lösungen (z. B. Kamerasysteme mit vortrainierten Modellen, Analyse-Tools mit fertiger Oberfläche) nicht zwingend. Für individuell zugeschnittene Lösungen, etwa ein Modell auf Basis der eigenen Prozessdaten, sind Grundkenntnisse in Datenverarbeitung und je nach Ansatz auch in einer Programmiersprache wie Python hilfreich.
Wie groß muss der Datensatz für ein KI-Modell im Qualitätsmanagement sein?
Das hängt stark vom Anwendungsfall ab. Für Bildklassifikation braucht es in der Regel mehrere hundert bis tausend gekennzeichnete Beispielbilder je Fehlertyp, für Textauswertung reichen teilweise auch kleinere Mengen, wenn die Texte strukturiert vorliegen. Grundsätzlich gilt: lieber mit einem kleineren, gut abgegrenzten Anwendungsfall starten, für den ausreichend Daten vorhanden sind, als mit einem großen, für den die Datenbasis erst noch aufgebaut werden müsste.
Ist der Einsatz von KI im Qualitätsmanagement in regulierten Branchen überhaupt zulässig?
Grundsätzlich ja, aber mit Auflagen. Die Entscheidung selbst – etwa eine Freigabe oder Sperrung – muss weiterhin nachvollziehbar und auditfähig dokumentiert sein. KI darf unterstützen und vorschlagen, die Verantwortung für die Entscheidung bleibt beim Menschen. Bei sicherheitsrelevanten Merkmalen ist das in aller Regel auch die Erwartung von Kunden und Zertifizierern.
