KI in der Qualitätssicherung ist das meistdiskutierte Thema der Fertigungsindustrie und zugleich eines der am häufigsten missverstandenen. Das Versprechen auf Messen und in Prospekten ist fast immer dasselbe: null Fehler, vorausschauende Qualität, autonome Prüfung. Dieser Leitfaden ordnet ein, was davon 2026 in der Serienfertigung funktioniert, was noch Versprechen ist und wie Fertigungsbetriebe den Einstieg finden.
- KI in der Qualitätssicherung bezeichnet lernende Algorithmen, die aus Prozess und Qualitätsdaten Fehler erkennen, Qualität vorhersagen und Prozesse überwachen.
- Sechs Anwendungen sind praxisreif: Anomalieerkennung in Schraubkurven und Prozessdaten, Predictive Quality, visuelle Prüfung, Unterstützung der Ursachenanalyse, Standzeitprognose für Werkzeuge und Unterstützung bei der Chargenbewertung.
- Die Freigabe bleibt in menschlicher Verantwortung. ISO 9001 verlangt in Abschnitt 8.6 die Rückverfolgbarkeit der Freigabe zu der autorisierenden Person.
- Voraussetzung für jedes KI Projekt sind strukturierte, maschinenlesbar erfasste Prozessdaten. Ohne sie bleibt KI ein Pilot ohne Skalierung.
Einordnen
Bestimmen Sie mit dem Reifegradmodell, wo Ihre Produktion steht.
Pilotieren
Eine Station, ein Anwendungsfall, eine messbare Kennzahl.
Verantworten
Die KI empfiehlt, ein Mensch gibt frei und dokumentiert.
Dieser Leitfaden richtet sich an Qualitätsmanagement, IT Leitung und Produktionsleitung in Automobilindustrie, Maschinenbau, Luftfahrt, Medizintechnik und Energietechnik. Er zeigt die sechs praxisreifen Anwendungen, ein Reifegradmodell zur Selbsteinschätzung, die Grenzen der Technologie, die Voraussetzungen, einen Fahrplan in sechs Schritten und den regulatorischen Rahmen.
01 · Grundlagen
Was ist KI in der Qualitätssicherung?
KI in der Qualitätssicherung bezeichnet lernende Algorithmen, die auf Basis historischer Prozess und Qualitätsdaten Muster erkennen, Anomalien finden und Qualitätsprognosen ableiten. Der entscheidende Unterschied zur klassischen Automatisierung: KI Systeme lernen aus Daten, statt fest programmierte Regeln anzuwenden.
Eine Regel wie „Alarm, wenn das Drehmoment über X Nm liegt“ ist keine KI, sondern eine feste Grenzwertprüfung. KI erkennt Muster und Abweichungen, die sich nicht in feste Schwellenwerte übersetzen lassen.
| Technologie | Typische Anwendung | Einordnung |
|---|---|---|
| Regelbasierte Systeme | Grenzwertüberwachung, IO und NIO Prüfung | seit Jahrzehnten Standard, keine KI |
| Statistisches maschinelles Lernen | Predictive Quality, Fehlerprognose | produktiv einsetzbar, gut interpretierbar |
| Neuronale Netze (Deep Learning) | visuelle Prüfung, Analyse von Zeitreihen | leistungsfähig, braucht viele gute Trainingsdaten |
| Generative KI | Dokumentation, Berichtsentwürfe, Recherche | für die eigentliche Qualitätsentscheidung kaum geeignet |
Für Betriebe ohne eigenes Data Science Team ist der Einstieg über statistisches maschinelles Lernen oder spezialisierte Systeme zur Anomalieerkennung meist der pragmatische Weg. Sie sind schlank, nachvollziehbar und brauchen keine Datenwissenschaftler im Betrieb.
02 · Anwendungen
Welche sechs KI Anwendungen sind praxisreif?
1. Anomalieerkennung in Schraubkurven und Prozesszeitreihen
Jede Verschraubung erzeugt eine Kurve aus Drehmoment und Drehwinkel. Klassische Systeme prüfen nur, ob die Endwerte im Fenster liegen. Eine Verschraubung kann alle Grenzwerte einhalten und trotzdem fehlerhaft sein, etwa bei einer beschädigten Auflagefläche oder einem überdrehten Gewinde. Das zeichnet sich oft im Kurvenverlauf ab. KI analysiert den gesamten Verlauf, lernt die typische Kurvenform je Station und meldet Abweichungen, auch wenn alle Grenzwerte eingehalten sind. Welche Muster auf welche Ursachen deuten, zeigt der Beitrag zu Verschraubungskurven.
bis zu 60 %
weniger Kundenreklamationen bei Verschraubungen nach Einführung KI gestützter Kurvenanalyse
Quelle: Feldberichte aus CSP Kundenprojekten
Curve Anomaly AI
Curve Anomaly AI von CSP analysiert den vollständigen Verlauf von Schraubkurven und Produktionszeitreihen, lernt die normale Kurvenform je Station und erkennt Abweichungen, die Grenzwertprüfungen übersehen. Eigene KI Kenntnisse im Betrieb sind nicht nötig.
2. Predictive Quality aus Prozessparametern
Predictive Quality wertet laufende Prozessparameter wie Temperatur, Druck, Kühlmittelmenge, Vorschub oder Vibration aus und schätzt, wie wahrscheinlich das aktuelle Werkstück eine Abweichung haben wird. Das Modell lernt aus dem Zusammenhang zwischen Parametern und historischen Prüfergebnissen. Voraussetzung ist, dass die Parameter strukturiert je Bauteil erfasst werden, etwa in CSP IPM. Den vollen Wert entfaltet Predictive Quality erst, wenn die Prognosen in den Qualitätsprozess zurückfließen und nicht in einem isolierten Dashboard enden.
Kernaussage
„Die meisten Unternehmen haben die Daten für Predictive Quality schon. Sie liegen in Steuerungen, Prüfsystemen und manchmal in Excel. Das Problem ist nicht die fehlende KI, sondern die fehlende Verbindung dieser Daten zu einem System, das daraus lernen kann.“ Amadeus Lederle, CSP Intelligence GmbH
3. Visuelle Prüfung
Kamerasysteme mit neuronalen Netzen erkennen Oberflächenfehler, Maßabweichungen, Montage und Kennzeichnungsfehler schnell und gleichbleibend. Produktionstauglich sind sie, wenn mehrere Bedingungen erfüllt sind. Für die Sichtprüfung direkt an der Station bietet CSP Vision AI.
Wann visuelle KI Prüfung funktioniert
- Fehlerklassen sind klar definiert und visuell eindeutig.
- Für jede Fehlerklasse liegen ausreichend annotierte Beispiele vor, auch für seltene Fehler.
- Beleuchtung und Kameraposition sind konstant und kontrolliert.
- Das Modell wird regelmäßig mit neuen Produktionsdaten überprüft und nachtrainiert.
- Das System ist ein Prüfkanal innerhalb der Qualitätsstrategie, kein Ersatz dafür.
4. Unterstützung der Ursachenanalyse
Die Suche nach Ursachen gehört zu den zeitintensivsten Aufgaben im Qualitätsmanagement. Analysen auf einer strukturierten Datenbasis liefern eine priorisierte Liste wahrscheinlicher Ursachen, etwa indem sie Daten auffälliger Teile mit denen von Gutteilen vergleichen. Die Entscheidung trifft der Qualitätsmanager, die Hypothesen beschleunigen die Untersuchung. Wichtig ist, dass jede Hypothese mit den zugrunde liegenden Daten verknüpft ist.
5. Standzeitprognose für Werkzeuge
Verschleiß verschlechtert in der spanenden Fertigung schleichend die Qualität. Feste Wechselintervalle nach Stückzahl oder Zeit führen entweder zu frühem und teurem oder zu spätem und riskantem Wechsel. Lernende Modelle bewerten das Verschleißprofil unter den aktuellen Bedingungen und helfen, den Wechselzeitpunkt besser zu bestimmen.
6. Unterstützung bei der Chargenbewertung
In der Prozessfertigung, aber auch in Gießerei und Oberflächentechnik, werden Chargen anhand vieler Parameter bewertet. Modelle, die auf historischen Chargen und Prüfergebnissen trainiert sind, können eine Empfehlung geben: freigeben, nachprüfen oder sperren. Die Empfehlung unterstützt die Entscheidung, die Freigabe selbst verantwortet und dokumentiert eine autorisierte Person.
03 · Reifegrad
Wo steht Ihre Produktion? Das Reifegradmodell
Vor dem ersten Pilot hilft eine ehrliche Einschätzung der eigenen Daten und Prozessreife.
| Stufe | Beschreibung | Empfohlener Einstieg |
|---|---|---|
| 0 | keine systematische Datenerfassung, Qualitätsdaten auf Papier oder in Excel | zuerst Datenerfassung aufbauen, KI Projekt noch nicht sinnvoll |
| 1 | Prozessdaten digital, aber in getrennten Systemen | Daten integrieren, Pilot zur Anomalieerkennung an einer Station möglich |
| 2 | integrierte Prozessdatenerfassung mit Historie über mehrere Monate | Anomalieerkennung und Predictive Quality als Piloten |
| 3 | Überwachung in Echtzeit, validierte Datenqualität, erste Piloten laufen | Skalierung auf weitere Linien und Anwendungen |
| 4 | KI ist in die Qualitätsprozesse eingebunden, Modelle werden laufend gepflegt | Ausbau der Entscheidungsunterstützung |
Kernaussage
„Wir bekommen regelmäßig Anfragen: Wir wollen KI in der Qualitätssicherung einführen. Dann zeigt sich: drei Systeme, kein gemeinsamer Zeitstempel, manche Daten auf Papier. Mein Rat ist immer gleich: nicht KI kaufen, erst die Datenbasis schaffen.“ Korbinian Hermann, CEO, CSP Intelligence GmbH
Datenbasis für KI schaffen
Das Whitepaper „Management von qualitätsrelevanten Produktionsdaten“ zeigt, wie Sie Daten aus Prozessen wie Schrauben, Nieten, Pressen und Prüfen durchgängig erfassen, auswerten und archivieren.
04 · Grenzen
Welche vier Versprechen hält KI noch nicht?
Ehrlichkeit ist hier wichtiger als Begeisterung. Diese vier Versprechen klingen überzeugend, halten in der Produktion aber Stand 2026 nicht, was sie ankündigen.
Vollautonome Qualitätskontrolle
Eine KI, die ohne menschliche Verantwortung Teile freigibt oder sperrt, ist in sicherheitskritischen Bereichen nicht der Stand der Praxis. ISO 9001 verlangt die Rückverfolgbarkeit jeder Freigabe zu einer autorisierenden Person, und der Hersteller haftet für fehlerhafte Produkte, auch wenn eine KI die Entscheidung vorbereitet hat.
KI als Ersatz für das Qualitätsmanagement
Ohne definierte Prüfpläne und strukturierte Datenerfassung wird ein Betrieb durch KI nicht qualitätsfähiger, sondern teurer und unübersichtlicher. Die Reihenfolge lautet: Prozesse definieren, Daten erfassen, KI einsetzen.
KI ohne ausreichende Trainingsdaten
Ein Modell ist nur so gut wie seine Daten. Ein Rechenbeispiel zeigt die Folgen: Erzeugt ein System bei 50.000 Teilen pro Tag nur 1 Prozent Fehlalarme, sind das 500 Teile täglich, die unnötig nachgeprüft werden müssen.
„KI versteht unsere Prozesse“
Modelle verstehen nichts, sie finden statistische Muster in den Daten, die sie gesehen haben. Ein Modell aus Werk A lässt sich nicht ohne Weiteres auf ein anderes Material in Werk B übertragen. Jede neue Anwendung braucht eine Validierung und oft ein Nachtrainieren.
Einen kompakten Realitätscheck zu Mehrwert und Grenzen bietet der Beitrag „KI in der Qualitätssicherung: Wo sie in der Fertigung echten Mehrwert liefert“.
05 · Voraussetzungen
Welche fünf Voraussetzungen braucht ein KI Projekt?
Strukturierte, integrierte Prozessdaten
maschinenlesbar, mit Zeitstempel und Bauteilbezug, über Systemgrenzen hinweg verfügbar. Ein Prozessdatenmanagement wie CSP IPM schafft diese Basis.
Ausreichend historische Daten
genug Produktionsdaten für den Anwendungsfall, mit einem brauchbaren Verhältnis von Gutteilen und Fehlerteilen. Für seltene Fehler kann künstliche Datenerweiterung helfen, echte Fehlerdaten ersetzt sie nicht.
Klarer Anwendungsfall mit Kennzahl
„Wir wollen KI“ ist kein Anwendungsfall. „Wir wollen die Reklamationsrate bei Verschraubungen in Linie 3 innerhalb von sechs Monaten um 30 Prozent senken“ ist einer.
Akzeptanz und Einbettung
Sehen Prüfer das System als Bedrohung und umgehen es, bringt die beste Technik nichts. Die Einbindung der Mitarbeitenden ist Teil des Projekts.
Infrastruktur für schnelle Verarbeitung
Bei schnellen Linien und visueller Prüfung braucht es Verarbeitung nahe an der Linie, damit Ergebnisse rechtzeitig vorliegen.
06 · Fahrplan
Wie starten Sie in sechs Schritten einen KI Pilot?
| Schritt | Inhalt |
|---|---|
| 1. Anwendungsfall wählen | ein konkretes Problem aus Reklamationen, Ausschussberichten oder Auditbefunden, möglichst eng gefasst, etwa Verschraubungsfehler an einer Station |
| 2. Datenbasis prüfen | Vollständigkeit, Konsistenz und Qualität der Daten bewerten und Lücken schließen |
| 3. Methode wählen | Anomalieerkennung, Predictive Quality oder visuelle Prüfung, mit nachvollziehbaren Modellen statt Black Box |
| 4. Pilot starten | eine Linie, eine Station, ein Anwendungsfall, vorab Kennzahl, Zeitraum und Abnahmekriterium festlegen |
| 5. Auswerten und skalieren | Ergebnisse mit Zahlen dokumentieren und schrittweise auf weitere Linien übertragen |
| 6. Modell pflegen | regelmäßig mit neuen Daten validieren und bei Material, Prozess oder Fehleränderungen nachtrainieren |
07 · Regeln
Was verlangen ISO 9001, IATF 16949 und die KI Verordnung?
| Regelwerk | Was es verlangt | Bedeutung für KI |
|---|---|---|
| ISO 9001:2015, Abschnitt 6.1 | Risiken und Chancen bestimmen und Maßnahmen planen | Risiken durch das KI System bewerten, etwa: Was passiert, wenn das Modell falsch liegt, und wie wird das erkannt? |
| ISO 9001:2015, Abschnitt 8.6 | dokumentierte Information zur Freigabe mit Nachweis der Konformität und Rückverfolgbarkeit zur autorisierenden Person | KI darf empfehlen, die Freigabe muss einer Person zugeordnet und dokumentiert sein |
| ISO 9001:2015, Abschnitt 9.1.3 | Analyse und Bewertung von Daten | KI kann die Analyse unterstützen, die Daten müssen rückverfolgbar bleiben |
| IATF 16949 | ergänzt ISO 9001 für die Automobilindustrie | Anforderungen an Rückverfolgbarkeit und Aufbewahrung gelten auch für die Eingangsdaten von KI Empfehlungen |
| KI Verordnung (EU) 2024/1689 | Pflichten je Risikoklasse, für Hochrisiko KI Systeme unter anderem Risikomanagement, Dokumentation und menschliche Aufsicht | als Hochrisiko gelten unter anderem KI Systeme, die Sicherheitsbauteil eines Produkts sind, das einer Konformitätsbewertung durch Dritte unterliegt |
| Produkthaftungsrichtlinie (EU) 2024/2853 | Software und KI Systeme gelten als Produkte, Umsetzung bis 9. Dezember 2026 | gilt für Produkte, die danach in Verkehr gebracht werden. Nachvollziehbare Daten werden zum Haftungsschutz |
Die Digital Omnibus Verordnung zur KI (EU) 2026/1744 ist am 27. Juli 2026 in Kraft getreten und hat Fristen für Hochrisiko KI Systeme verschoben. Dokumentieren Sie Ihre KI Systeme trotzdem schon jetzt systematisch. Dieser Abschnitt gibt einen Überblick und ersetzt keine rechtliche Beratung.
08 · Kosten
Welche Kosten werden bei KI Projekten unterschätzt?
Was ein KI Projekt kostet, hängt von Anwendungsfall, Datenlage und Integrationstiefe ab. Für den Business Case beziffern Sie zuerst die eigenen Fehlerkosten: Ein Betrieb mit hoher Ausschussquote amortisiert eine Investition schneller als einer mit niedriger. Vier Kostenfaktoren werden regelmäßig unterschätzt.
| Faktor | Warum er zählt |
|---|---|
| Datenaufbereitung | Bereinigung und Zusammenführung der Daten beansprucht oft einen großen Teil der Projektzeit |
| Systemintegration | die Anbindung an QMS, ERP und MES ist oft aufwendiger als das Modell selbst |
| Pflege der Modelle | ohne regelmäßige Überprüfung und Nachtrainieren lässt die Leistung nach |
| Einbindung der Mitarbeitenden | Akzeptanz braucht Zeit und wird oft zu knapp eingeplant |
Wie sich Fehlerkosten und Nacharbeit beziffern lassen, zeigt der Beitrag zur Nacharbeitsquote.
Kernaussage
„Die Zusammenarbeit mit den CSP Experten im Projekt war jederzeit vertrauensvoll und zielgerichtet. Besonders positiv werten wir den direkten Kontakt zu den Entwicklern. So konnten aufkommende Fragen jederzeit sehr schnell gelöst werden.“ Andreas Koller, Knorr-Bremse AG
Ihr erster KI Pilot
Sprechen Sie mit uns über einen konkreten Anwendungsfall in Ihrer Fertigung und darüber, ob Ihre Datenbasis dafür bereit ist.
FAQ
Häufig gestellte Fragen
Was ist KI in der Qualitätssicherung?+
KI in der Qualitätssicherung bezeichnet lernende Algorithmen, die aus historischen Prozess und Qualitätsdaten Muster erkennen, Anomalien finden und Qualität vorhersagen. Anders als regelbasierte Grenzwertprüfungen lernen sie aus Daten, statt fest programmierte Regeln anzuwenden.
Welche KI Anwendungen in der Qualitätssicherung sind praxisreif?+
Praxisreif sind die Anomalieerkennung in Schraubkurven und Prozesszeitreihen, Predictive Quality aus Prozessparametern, die visuelle Prüfung bei ausreichend Trainingsdaten, die Unterstützung der Ursachenanalyse, die Prognose von Werkzeugstandzeiten und die Unterstützung bei der Chargenbewertung. Die Freigabe verantwortet in allen Fällen ein Mensch.
Darf eine KI Teile selbst freigeben?+
Die Verantwortung für die Freigabe bleibt beim Unternehmen. ISO 9001 verlangt in Abschnitt 8.6, dass die dokumentierte Information zur Freigabe die Rückverfolgbarkeit zu der Person enthält, die sie autorisiert hat. Für Hochrisiko KI Systeme fordert die KI Verordnung zudem eine wirksame menschliche Aufsicht.
Warum scheitern KI Projekte in der Qualitätssicherung?+
Die häufigsten Gründe sind eine fehlende Datenbasis mit Daten in Excel oder isolierten Systemen, ein unklarer Anwendungsfall ohne messbare Kennzahl, zu wenige Beispiele für Fehler, fehlende Einbindung in die Qualitätsprozesse und mangelnde Akzeptanz bei den Anwendern.
Wie lange dauert ein erster KI Pilot?+
Das hängt vor allem von der Datenbasis ab. Liegen die Prozessdaten bereits strukturiert vor, lässt sich ein Pilot an einer Station nach CSP Erfahrung in rund acht bis zwölf Wochen auswerten. Die Skalierung auf weitere Linien oder Werke dauert deutlich länger, weil Modelle für neue Bedingungen validiert werden müssen.
Was kostet KI in der Qualitätssicherung?+
Die Kosten hängen von Anwendungsfall, Datenlage und Integrationstiefe ab. Häufig unterschätzt werden Datenaufbereitung, Anbindung an QMS, ERP und MES, die laufende Pflege der Modelle und die Einbindung der Mitarbeitenden. Für die Wirtschaftlichkeit sollten Sie zuerst die eigenen Fehlerkosten beziffern.
Was ist der Unterschied zwischen Predictive Quality und Predictive Maintenance?+
Predictive Quality sagt die Qualität eines Werkstücks aus den laufenden Prozessparametern voraus und fragt: Wird dieses Teil gut? Predictive Maintenance sagt voraus, wann eine Maschine oder ein Werkzeug ausfällt. Beides ergänzt sich, denn Verschleiß verschlechtert oft zuerst die Teilequalität.
Ersetzt KI das Qualitätsmanagementsystem?+
Nein. KI ist ein Werkzeug innerhalb des Qualitätsmanagements. Die richtige Reihenfolge lautet: Prozesse definieren, Daten strukturiert erfassen, dann KI einsetzen.

