Automatisierung mit KI

Wiederkehrende Abläufe in Qualitätssicherung, Produktion und Verwaltung binden Kapazität, die anderswo dringend gebraucht wird. Prüfberichte auswerten, Reklamationen kategorisieren, Lieferantendokumente abgleichen, Abweichungen dokumentieren: Diese Aufgaben laufen jeden Tag, folgen einer inneren Logik und lassen sich mit lernenden Systemen zu großen Teilen unterstützen. Der Unterschied zwischen einem Projekt, das nach sechs Monaten produktiv läuft, und einem, das im Testbetrieb versandet, liegt selten an der Technologie.

Automatisierung mit KI wirkt dort verlässlich, wo der zugrunde liegende Prozess sauber beschrieben ist, die Datenbasis stimmt und jede Entscheidung des Systems nachvollziehbar bleibt. Genau diese drei Bedingungen entscheiden in Industrieunternehmen und regulierten Branchen darüber, ob ein Anwendungsfall den Sprung in den Regelbetrieb schafft oder an der ersten Auditfrage scheitert.

Für Qualitätsverantwortliche und Produktionsleitungen kommt eine vierte Anforderung hinzu: Ergebnisse müssen zu bestehenden Managementsystemen passen. Ein Klassifizierungsmodell, das Fehlerbilder erkennt, aber keine dokumentierte Freigabe- und Änderungslogik besitzt, erzeugt in der Praxis mehr Diskussionen als Nutzen. Wer beides zusammendenkt, gewinnt Effizienz und behält die Nachweisfähigkeit gegenüber Kunden, Zertifizierern und Aufsichtsbehörden.

Das Wichtigste in Kürze: Lernende Systeme ergänzen regelbasierte Automatisierung dort, wo Daten unstrukturiert sind und Kontext beurteilt werden muss. Ein belastbarer Anwendungsfall beginnt mit Prozessverständnis und Datenqualität, nicht mit der Toolauswahl. Nachvollziehbarkeit, Freigaberegeln und Kennzahlen entscheiden darüber, ob ein Pilot im Regelbetrieb Bestand hat.

Klassische Automatisierung führt fest definierte Regeln aus, KI-gestützte Automatisierung beurteilt Situationen anhand gelernter Muster. Ein regelbasierter Workflow verschiebt eine Rechnung in den Freigabelauf, sobald Betrag und Kostenstelle im hinterlegten Rahmen liegen. Ein lernendes System liest dieselbe Rechnung als gescanntes PDF, extrahiert Positionen aus einem unbekannten Layout und ordnet sie zu, ohne dass jemand vorher jede Variante programmiert hat.

In der Fachsprache heißt diese Kombination intelligente Prozessautomatisierung (IPA). Sie verbindet drei Bausteine: eine Prozess-Engine, die den Ablauf steuert, Software-Roboter (RPA) für repetitive Klick- und Datenaufgaben sowie KI-Komponenten wie maschinelles Lernen, Sprachverarbeitung (NLP) und Bilderkennung für die Beurteilung unstrukturierter Inhalte.

Kriterium	Regelbasierte Automatisierung	KI-gestützte Automatisierung
Datentyp	Strukturiert (Felder, Tabellen)	Auch unstrukturiert (Scans, Freitext, Bilder)
Verhalten bei Abweichung	Abbruch oder Fehlermeldung	Einschätzung mit Konfidenzwert
Anpassung	Manuelle Regeländerung	Nachtraining mit neuen Daten
Nachvollziehbarkeit	Vollständig deterministisch	Erklärung über Modelllogik und Protokolle nötig
Typischer Einsatz	Statusmeldungen, Buchungslogik	Fehlerbildklassifikation, Dokumentenextraktion

Für die Praxis heißt das: Beide Ansätze arbeiten zusammen. Die Regel-Engine sichert den auditierbaren Rahmen, das Modell übernimmt die Beurteilung im Graubereich. Wo ein Prozess bereits klar geregelt und stabil ist, bleibt die klassische Variante die günstigere und robustere Wahl.

Welche Geschäftsprozesse eignen sich für den KI-Einsatz?

Geeignet sind Prozesse mit hohem Volumen, wiederkehrender Struktur und einer verfügbaren Datenhistorie, in denen Menschen heute vor allem sortieren, vergleichen und zuordnen. In Industrieunternehmen finden sich diese Kandidaten meist an den Schnittstellen zwischen Qualität, Produktion und Lieferkette.

Bewährte Einstiegsfelder aus Projekten in Automotive, Kunststofftechnik und Pharma:

• Reklamations- und Fehlerbearbeitung: Automatische Vorklassifikation von 8D-Fällen nach Fehlerart, betroffener Baugruppe und Dringlichkeit; Vorschläge für Ursachenkategorien auf Basis vergangener Fälle.
• Wareneingangs- und Lieferantendokumente: Extraktion von Prüfzeugnissen, Chargendaten und Werkszeugnissen aus PDFs mit Abgleich gegen Spezifikationen im CAQ-System.
• Optische Prüfung: Bilderkennung für Oberflächenfehler, Maßabweichungen oder Montagevollständigkeit als Ergänzung zur Sichtprüfung.
• Vorausschauende Instandhaltung: Auswertung von Sensor- und Maschinendaten zur Früherkennung von Ausfallmustern und zur dynamischen Anpassung von Serviceintervallen.
• Dokumenten- und Wissensrecherche: Semantische Suche in Arbeitsanweisungen, Prüfplänen und QM-Handbuch, damit Mitarbeitende geltende Vorgaben ohne langes Blättern finden.
• FMEA-Vorbereitung: Aufbereitung historischer Fehlerdaten und Feldrückläufe als Input für Risikobewertungen im Team.

Weniger geeignet sind Prozesse mit sehr kleinen Fallzahlen, häufig wechselnden Vorgaben oder direkter Sicherheitsrelevanz ohne menschliche Freigabe. Ein Anwendungsfall, der pro Jahr dreißig Vorgänge umfasst, rechtfertigt selten den Aufwand für Datenaufbereitung, Validierung und Pflege.

Von der Potenzialanalyse zum Pilotprojekt

Eine strukturierte Potenzialanalyse verhindert, dass Budget in Anwendungsfälle fließt, die technisch reizvoll und betriebswirtschaftlich belanglos sind. Sie beginnt mit einer Bestandsaufnahme der Prozesslandschaft und endet mit einer priorisierten Liste, aus der ein einzelner Pilot ausgewählt wird.

Ein bewährter Ablauf in fünf Schritten:

1. Prozesse erfassen und bewerten: Volumen pro Monat, durchschnittliche Bearbeitungszeit, Fehlerquote und Anzahl beteiligter Systeme je Prozess dokumentieren.
2. Datenlage prüfen: Existieren historische Daten in ausreichender Menge und Qualität? Sind sie maschinell zugänglich oder liegen sie in Papierakten und lokalen Tabellen?
3. Nutzen und Aufwand gegenüberstellen: Erwartete Entlastung in Stunden gegen Implementierungs-, Schnittstellen- und Pflegeaufwand rechnen.
4. Risiko einordnen: Auswirkungen einer Fehlentscheidung des Systems auf Produktsicherheit, Kundenanforderungen und Normkonformität bewerten.
5. Pilot definieren: Einen Anwendungsfall mit mittlerem Risiko, klarem Messpunkt und überschaubarer Systemlandschaft festlegen.

Der Pilot braucht von Anfang an eine Abbruchbedingung und einen Zielwert. Ohne definierte Erfolgsschwelle, etwa eine Trefferquote von 90 Prozent bei der Vorklassifikation von Reklamationen, endet die Bewertung in Meinungsaustausch. Sinnvoll ist ein Zeitraum von acht bis zwölf Wochen, in dem das System parallel zum bestehenden Ablauf läuft und beide Ergebnisse verglichen werden. Diese Schattenphase kostet wenig und liefert die belastbarsten Argumente für oder gegen einen Rollout.

Ein Steuerungsteam aus Prozessverantwortlichen, IT und Qualitätsmanagement begleitet den Piloten. Diese Konstellation hat sich auch bei Einführungsprojekten für Managementsysteme bewährt und sorgt dafür, dass fachliche Anforderungen und technische Umsetzung nicht auseinanderlaufen.

Daten, Schnittstellen und Governance als Erfolgsfaktoren

Die Qualität der verfügbaren Daten bestimmt die Obergrenze dessen, was ein Modell leisten kann. Inkonsistente Fehlerkataloge, uneinheitliche Artikelbezeichnungen und mehrfach gepflegte Stammdaten führen zu Ergebnissen, die im Testbetrieb überzeugen und im Alltag enttäuschen. Vor jedem Modelltraining lohnt sich deshalb eine nüchterne Prüfung: Sind Kataloge harmonisiert, sind Pflichtfelder konsequent gefüllt, existiert eine eindeutige Zuordnung zwischen ERP-, MES- und CAQ-Datensätzen?

Schnittstellen entscheiden über die Alltagstauglichkeit. Ein Modell, dessen Ergebnisse manuell in das Prüfsystem übertragen werden müssen, verlagert Aufwand statt ihn zu senken. Anbindungen an MES, CAQ und Dokumentenmanagement sollten deshalb Teil des Piloten sein, nicht eine spätere Ausbaustufe. Praktisch bewährt sich eine bidirektionale Verbindung: Das System liest aktuelle Prozessdaten und schreibt sein Ergebnis samt Konfidenzwert zurück in den Fallsatz.

Governance schafft den Rahmen, in dem sich all das prüfen lässt. Für regulierte Umgebungen gehören mindestens diese Punkte in eine schriftliche Regelung:

• Rollen und Verantwortung: Wer gibt Modelle frei, wer überwacht die Leistung, wer entscheidet über Deaktivierung?
• Freigabeschwellen: Ab welchem Konfidenzwert entscheidet das System selbst, ab wann geht der Fall an eine Person?
• Protokollierung: Eingabedaten, Modellversion, Ergebnis und getroffene Entscheidung müssen rückverfolgbar gespeichert sein.
• Änderungssteuerung: Jedes Nachtraining und jeder Modellwechsel durchläuft denselben Change-Prozess wie andere qualitätsrelevante Systeme.
• Leistungsüberwachung: Regelmäßige Prüfung, ob sich die Trefferquote durch veränderte Produkte oder Prozesse verschlechtert.
• Datenschutz und Vertraulichkeit: Klare Festlegung, welche Daten externe Dienste erreichen dürfen und welche im Haus bleiben.

Diese Anforderungen decken sich weitgehend mit dem, was ISO 9001 und IATF 16949 ohnehin für prozessrelevante Werkzeuge verlangen. Wer die Dokumentation von Beginn an in das bestehende QM-System einhängt, spart die nachträgliche Rekonstruktion vor dem Zertifizierungsaudit.

KI sinnvoll in Qualitäts- und Produktionsprozesse integrieren

Der größte Hebel entsteht, wenn lernende Komponenten bestehende Qualitätsmethoden unterstützen statt sie zu ersetzen. FMEA, Qualitätsregelkarten, Lenkungspläne und Auditprogramme bleiben die Struktur; KI liefert Datenaufbereitung, Mustererkennung und Priorisierungsvorschläge innerhalb dieser Struktur.

Ein Beispiel aus der Fertigungspraxis: Bei der Prozess-FMEA verbraucht die Sammlung historischer Fehlerbilder, Feldrückläufe und Prüfdaten oft mehr Zeit als die eigentliche Bewertung im Team. Werden diese Daten automatisch zusammengeführt und nach Häufigkeit sowie Auswirkung sortiert, gewinnt die Moderation Raum für die fachliche Diskussion. Die Bewertung von Auftretens- und Entdeckungswahrscheinlichkeit bleibt beim interdisziplinären Team, weil sie Prozesswissen erfordert, das kein Modell abbildet.

In der laufenden Produktion arbeitet dieselbe Logik über Qualitätsregelkarten. Ein Modell erkennt Trendverläufe früher als eine feste Eingriffsgrenze und meldet Drift, bevor Toleranzen verletzt werden. Die Reaktion darauf folgt dem hinterlegten Reaktionsplan, der Eskalationsweg bleibt unverändert dokumentiert.

Praktische Hinweise aus Einführungsprojekten:

• Papierlose Prüfabläufe zuerst umsetzen, sonst fehlt die maschinenlesbare Datenbasis für jede weitere Stufe.
• Prüfmittelmanagement und Kalibrierstatus sauber im CAQ pflegen, weil unzuverlässige Messwerte jedes Modell verzerren.
• Mitarbeitende im Prüfbereich früh einbinden und schulen; ihre Rückmeldung zu Fehlklassifikationen ist die wichtigste Trainingsquelle.
• Ergebnisse in der gewohnten Oberfläche anzeigen, nicht in einem zusätzlichen Tool neben dem Arbeitsplatz.

Bei Kontor Gruppe ordnen wir solche Vorhaben in die vorhandene Prozesslandschaft ein und verbinden sie mit CAQ-, MES- und Lean-Themen, damit die Umsetzung dokumentiert und auditfähig bleibt.

Vom Pilotprojekt zur messbaren Prozessverbesserung

Der Übergang in den Regelbetrieb gelingt, wenn vorher festgelegte Kennzahlen den Nutzen belegen und die Betriebsverantwortung geklärt ist. Über 70 Prozent der KI-Projekte in Deutschland werden als enttäuschend wahrgenommen, und ein Großteil dieser Enttäuschung entsteht durch fehlende Messgrößen: Ohne Vergleichsbasis lässt sich weder Fortschritt zeigen noch eine Investitionsentscheidung begründen.

Sinnvolle Kennzahlen kombinieren operative und wirtschaftliche Sicht:

Kennzahl	Erhebung	Aussage
Automatisierungsgrad	Anteil ohne manuellen Eingriff abgeschlossener Fälle	Reichweite der Lösung
Trefferquote	Übereinstimmung mit Fachurteil in Stichprobe	Verlässlichkeit des Modells
Durchlaufzeit	Zeit von Fallanlage bis Abschluss	Prozessbeschleunigung
Nacharbeitsquote	Korrekturen nach Systementscheidung	Qualität der Ergebnisse
Freigesetzte Kapazität	Stunden pro Monat gegenüber Ausgangswert	Wirtschaftlicher Beitrag

Für den Rollout hat sich ein gestufter Weg bewährt: Ein Standort oder eine Produktlinie geht produktiv, Betriebshandbuch und Schulungsunterlagen entstehen dabei, erst danach folgen weitere Bereiche. Diese Reihenfolge verhindert, dass Kinderkrankheiten im gesamten Unternehmen vervielfacht werden.

Die Betriebsphase braucht feste Zuständigkeiten. Wer prüft monatlich die Trefferquote, wer sammelt Fehlklassifikationen, wer entscheidet über ein Nachtraining? Ohne benannte Personen verliert ein produktives Modell innerhalb weniger Quartale an Genauigkeit, weil sich Produkte, Lieferanten und Prozessparameter verändern.

Fazit

Automatisierung mit lernenden Systemen entfaltet in Industrie- und regulierten Umgebungen dann Wirkung, wenn Prozessverständnis, Datenqualität und kontrollierte Umsetzung zusammenkommen. Der Weg führt von einer nüchternen Potenzialanalyse über einen eng gefassten Piloten mit definierter Erfolgsschwelle bis zu einem gestuften Rollout mit klaren Betriebsverantwortlichkeiten.

Entscheidend für den dauerhaften Nutzen sind die Rahmenbedingungen: harmonisierte Stammdaten, funktionierende Anbindungen an MES, CAQ und Dokumentenmanagement sowie eine Governance, die Freigabeschwellen, Protokollierung und Änderungssteuerung regelt. Wer diese Punkte in das bestehende Managementsystem nach ISO 9001 oder IATF 16949 einhängt, hält die Nachweisfähigkeit aufrecht und kann Ergebnisse im Audit belegen. Für einen ersten Anwendungsfall reicht ein Prozess mit hohem Volumen, sauberer Datenhistorie und einem messbaren Zielwert.