Qualitätsprüfung in der Fertigung

Das echte Ausmaß des Problems

Ein größerer Fahrzeugrückruf ist ein seltenes, aber sehr teures Ereignis, und über den Regress trifft er auch den Zulieferer, dessen Teil den Fehler hatte. Eine belastbare Zahl je Rückruf haben wir nicht gefunden, die Spannen in der Fachpresse sind Schätzungen ohne Einzelnachweis. Die Ursache ist oft dieselbe: Ein Fehler, der in der Produktion nicht erkannt wurde, multipliziert sich auf Tausende oder Hunderttausende Fahrzeuge. Je später er auffällt, desto teurer wird er.

Für Tier-1- und Tier-2-Zulieferer zählt der Alltag mehr als der Rückruf. Ausschuss, Nacharbeit und Gewährleistungskosten machen in produzierenden Automotive-Betrieben laut Elunic AG 1,5 bis 4 Prozent des Jahresumsatzes aus. Bei einem Unternehmen mit 80 Millionen Euro Umsatz sind das 1,2 bis 3,2 Millionen Euro pro Jahr, direkte, messbare Kosten. Welcher Teil davon an einer Kamerastation überhaupt sichtbar wird, ist die erste Frage jeder Rechnung.

Manuelle Prüfung hat strukturelle Grenzen:

• Auflösungsgrenze: Ein geübter Prüfer erkennt Oberflächenfehler zuverlässig erst ab etwa 0,3 Millimeter, wenn er ausgeruht ist, das Licht stimmt und er in den letzten zwei Stunden nicht mehrere hundert Teile inspiziert hat.
• Ermüdungseffekt: Dass die Aufmerksamkeit bei monotoner Sichtprüfung über die Schicht nachlässt, ist in der Produktionspsychologie gut beschrieben. Eine belastbare Zahl, um wie viel die Erkennungsrate sinkt, haben wir nicht gefunden. Bei euch zeigt sie ein Vergleich der Reklamationen nach Prüfschicht.
• Durchsatzgrenze: Bei hohem Produktionstakt kann ein Mensch schlicht nicht jedes Teil in der verfügbaren Zeit prüfen, also wird stichprobenhaft geprüft, und ein Teil der Fehler geht durch.
• Rückverfolgbarkeit: Was kein Protokoll erzeugt, lässt sich später nicht nachvollziehen, mit allen Konsequenzen für IATF-16949-Audits und Reklamationsabwicklung.

Computer Vision hat diese Grenzen nicht. Ein KI-Kamerasystem prüft jedes Teil, jeden Produktionsschritt, in Millisekunden, mit konstanter Erkennungsrate, unabhängig von Tageszeit, Schicht und Volumen.

Mit vs. ohne KI, ein ehrlicher Vergleich

Belastbare Erkennungsraten gibt es für beide Spalten nur aus eurer eigenen Validierung, sie hängen stark von Fehlertyp, Beleuchtung und Trainingsumfang ab. IATF 16949 verlangt ohnehin eine Messsystemanalyse für jedes Prüfsystem, das im Produktionslenkungsplan steht (Abschnitt 7.1.5.1.1), auch für ein Kamerasystem.

Einschätzung auf einen Blick

Zeitersparnis, mittel (3/5) Die Prüfzeit je Teil sinkt von Sekunden auf Millisekunden, das ist ein echter Durchsatzgewinn. Aber: Bei manuell geprüften Linien wird durch die Automatisierung kein Serviceberater oder Büroangestellter entlastet, sondern Prüfpersonal. Der tägliche Arbeitsaufwand bleibt im Betrieb ähnlich, das System ersetzt nicht Stunden, sondern Fehler. Deshalb liegt die Zeitersparnis in dieser Kategorie im Mittelfeld: Der Gewinn liegt primär in Qualität, nicht in Personaleinsparung.

Kosteneinsparung, sehr hoch (5/5) Der Hebel ist groß, weil Fehlerkosten groß sind: Ein Tier-2-Zulieferer mit 2,5 Prozent Fehlerkosten auf 60 Millionen Euro Umsatz trägt 1,5 Millionen Euro im Jahr. Eine Kamera spart davon aber nur den Teil, der an ihrer Station entsteht und dort sichtbar ist, und sie verhindert keinen Fehler, sie findet ihn früher. Geld kommt aus drei Quellen: Fehler, die nicht mehr zum Kunden durchrutschen, Wertschöpfung, die nicht mehr auf ein fehlerhaftes Teil gesetzt wird, und Fehlerdaten, mit denen die Ursache abgestellt wird. Die Rechnung weiter unten kommt für zwei Stationen auf rund 200.000 Euro im Jahr, nicht auf 40 Prozent der gesamten Fehlerkosten. Der Vorteil gegenüber vielen anderen Anwendungsfällen: Ausschuss und Nacharbeit lassen sich zählen.

Schnelle Umsetzung, niedrig (2/5) Eine einzelne Prüfstation braucht realistisch 3–5 Monate: Anforderungsanalyse, Hardware-Beschaffung, Beleuchtungsoptimierung, Trainingsdaten sammeln, Modell validieren, FAT/SAT durchführen. Wer mehrere Stationen plant, rechnet mit 12–18 Monaten. Das ist in dieser Kategorie einer der aufwändigsten Einstiege, deutlich komplexer als Predictive Maintenance mit bestehenden Sensordaten oder der KI-Konfigurator im Web.

ROI-Sicherheit, sehr hoch (5/5) Du kannst Ausschuss zählen. Du kannst Nacharbeitszeiten messen. Vor und nach dem System. Das macht diesen Anwendungsfall zu einem der klarsten ROI-Fälle der Branche. Wer eine Prüfstation implementiert und 3 Monate Daten sammelt, weiß, ob sich die Investition lohnt, ohne abstrakte Schätzungen. Wie schnell sie sich amortisiert, hängt davon ab, welcher Anteil eurer Fehlerkosten an der Station überhaupt sichtbar ist; die Beispielrechnung unten zeigt, wie viel die Integration höchstens kosten darf, damit es in einem Jahr Vollbetrieb aufgeht.

Skalierbarkeit, niedrig (2/5) Das ist der ehrliche Gegenpol zu den hohen Kosteneinsparungen: Jede neue Prüfstation braucht eigene Kamera-Hardware, eigene Beleuchtungskonfiguration und ein eigenes Modell-Training mit neuen Trainingsdaten. Es gibt keine Taste “auf weitere Stationen ausrollen” wie bei Software-Lösungen. Skalierung bedeutet hier: mehr Kapital, mehr Projektaufwand, mehr Vor-Ort-Expertise.

Richtwerte, stark abhängig von Produktionsvolumen, Bauteiltyp und vorhandener Qualitätsinfrastruktur.

Was das System konkret macht

Ein Computer Vision-Qualitätsprüfsystem für die Automotive-Fertigung besteht aus vier Komponenten: Kamera-Hardware, Beleuchtungseinheit, Inferenz-Hardware und dem trainierten KI-Modell.

Kamera-Hardware: Für Oberflächendefekte wie Kratzer, Lunker oder Lackfehler kommen hochauflösende Linescanner oder Flächenkameras zum Einsatz, oft mit Streifenlichtprojektion für 3D-Tiefenmessung. Für geometrische Prüfungen, sind alle Schrauben gesetzt, stimmt die Bauteilpositionierung, reichen häufig Standard-Industriekameras aus.

Beleuchtung: Dieser Teil wird regelmäßig unterschätzt, ein gutes Kamerasystem mit falscher Beleuchtung liefert schlechtere Ergebnisse als ein einfacheres System mit optimal eingestelltem Licht. Dunkelfeldbeleuchtung, koaxiales Licht und strukturiertes Licht werden je nach Prüfaufgabe kombiniert. Dieser Aspekt erfordert Vor-Ort-Tests und Beleuchtungsexpertise, kein Problem, das man vom Schreibtisch aus löst.

KI-Modell: Das Modell wird auf Bilddaten des eigenen Produkts trainiert, sowohl fehlerfreie Teile als auch Bilder mit bekannten Defekten. Ein erster validierter Prototyp braucht typischerweise 500 bis 2.000 Trainingsbilder pro Fehlerklasse. Für seltene Defekttypen, von denen es kaum reale Bilder gibt, wird mit künstlich erzeugten Defekten (Data Augmentation oder synthetische Trainingsdaten) gearbeitet.

Protokollierung und Rückverfolgbarkeit: Jedes geprüfte Teil wird mit Zeitstempel, Prüfergebnis und dem gespeicherten Bild archiviert. IATF 16949 verlangt Rückverfolgbarkeit (Abschnitt 8.5.2.1), schreibt aber kein Bild je Teil vor. Das Bildarchiv erfüllt die Anforderung deutlich besser als ein Stichprobenprotokoll und macht die Reklamationsabwicklung gegenüber dem OEM einfacher.

Was das System nicht kann

Ein Computer-Vision-System erkennt nur, wofür es trainiert wurde. Ein neuer Fehlertyp, der in den Trainingsdaten nicht vorkommt, wird nicht erkannt, und erzeugt auch keine Warnung. Das ist kein Systemfehler, sondern eine strukturelle Eigenschaft, die in der Betriebsplanung berücksichtigt werden muss: Jede Bauteiländerung, die optisch relevant ist, erfordert eine Überprüfung des Modells und gegebenenfalls ein Nachtraining.

Konkrete Werkzeuge, was wann passt

Cognex Vision Pro , Einer der großen Anbieter industrieller Bildverarbeitung. Komplettes Ökosystem aus Kameras, Lichtquellen, Software und vortrainierten Modellen für typische Prüfaufgaben. Sehr robust, gut dokumentiert, breite Integrationserfahrung in der Automotive-Branche. Keine Listenpreise; vollständige Vision-Systeme kosten laut unserer Toolseite 3.000 bis 30.000 Euro und mehr, je nach Konfiguration und Kameratyp, die Integration kommt dazu. Für größere Zulieferer und OEMs eine naheliegende Wahl, die Integration ist komplex, aber gut dokumentiert.

Keyence Vision Systeme , Starker Konkurrent zu Cognex, besonders bekannt für schnelle Inbetriebnahme und guten Außendienst-Support mit direkten Demo-Möglichkeiten beim Kunden. Beliebt bei mittelgroßen Zulieferern, die schnell starten wollen ohne langwieriges Integrationsprojekt. Vision-Systeme der CV-X/XG-X-Serie laut unserer Toolseite 10.000 bis 80.000 Euro, ohne Software-Abo.

Landing AI (LandingLens) , Cloudbasierte Computer-Vision-Plattform speziell für industrielle Qualitätskontrolle. Ermöglicht Training von Defekterkennungsmodellen mit vergleichsweise wenig Daten, gute browserbasierte Oberfläche, Qualitätsingenieure ohne ML-Hintergrund können Modelle selbst trainieren. Interessant für Betriebe, die intern mehr Kontrolle über das Modell wollen. Preise auf Anfrage.

Eigenes Edge-System mit Cloud-Anbindung, Industrie-PC mit GPU an der Maschine, Modelltraining und Datenhaltung in der bestehenden AWS- oder Azure-Umgebung. Die fertigen Edge-Appliances der beiden Anbieter gibt es nicht mehr (Azure Percept ist eingestellt, AWS hat den Support für Panorama am 31. Mai 2026 beendet), deshalb ist das heute ein Eigenbau. Mehr Entwicklungsaufwand als bei Cognex oder Keyence, dafür mehr Flexibilität bei plattformübergreifenden Anforderungen. Auswahlkriterium für die Hardware: Inferenzzeit unter dem Takt der Linie und Industrietauglichkeit (Temperatur, Staub, Dauerbetrieb).

Zeiss Quality Suite, Für Prüfaufgaben mit höchsten Genauigkeitsanforderungen und Messprotokoll-Pflicht, z. B. bei sicherheitsrelevanten Bauteilen. Kombiniert KI-Erkennung mit zertifizierten Messsystemen. Für Tier-1-Zulieferer mit strikten Anforderungen nach IATF 16949 und automotive-spezifischer Zertifizierungspflicht.

Zusammenfassung: Wann welcher Ansatz

• Schneller Start, guter Außendienst-Support → Keyence
• Maximale Automotive-Reife und großes Ökosystem → Cognex
• Internes Modell-Training ohne ML-Expertise → Landing AI
• Bestehende Cloud-Infrastruktur, custom → eigenes Edge-System mit AWS- oder Azure-Anbindung
• Sicherheitsrelevante Bauteile mit Zertifizierungspflicht → Zeiss

Datenschutz und Datenhaltung

Computer Vision in der Fertigung verarbeitet in der Regel keine personenbezogenen Daten, Bilder von Metallteilen fallen nicht unter die DSGVO. Das ändert sich, sobald Kameras im Arbeitsbereich auch Personen erfassen könnten. In diesem Fall greift das Mitbestimmungsrecht des Betriebsrats nach § 87 Abs. 1 Nr. 6 BetrVG, und eine Betriebsvereinbarung wird erforderlich.

Praktische Empfehlung: Kamerawinkel und Erfassungsbereiche dokumentieren und sicherstellen, dass Personen nicht systematisch erfasst werden. Wenn Produktionsbereiche gemeinsam mit Mitarbeitenden gefilmt werden müssen, vorab mit dem Betriebsrat abstimmen und die Zweckbindung klar dokumentieren.

Für die Daten der Bildarchivierung (Qualitätsbilder je Teil) gilt: Diese Daten unterliegen häufig Aufbewahrungspflichten gemäß IATF 16949 und kundenspezifischen Qualitätsanforderungen. Wer diese in einer Cloud speichert, sollte sicherstellen, dass der Hosting-Standort den OEM-Anforderungen entspricht, manche OEMs schreiben explizit EU- oder DE-Hosting vor.

Der EU AI Act macht aus einer Prüfkamera kein Hochrisiko-System, auch nicht bei sicherheitsrelevanten Bauteilen: Anhang III zählt die Hochrisiko-Bereiche abschließend auf, die Qualitätsprüfung in der Fertigung steht dort nicht, und die Kamera ist kein Sicherheitsbauteil des Fahrzeugs selbst. Die Grenze liegt woanders: Würde dasselbe System Leistung oder Verhalten der Beschäftigten an der Linie auswerten, fiele es unter Anhang III Nummer 4 Buchstabe b. Auch deshalb gehört die Kamera auf das Bauteil, nicht auf den Menschen.

Was es kostet, realistisch gerechnet

Die Beträge sind Annahmen innerhalb der Spannen unserer Toolseiten, keine Angebote; verbindlich wird es erst mit dem Angebot für eure Station.

Einstieg (eine Prüfstation, ein Bauteil, ein Fehlertyp):

• Hardware (Kamera, Beleuchtung, Edge-Rechner): Annahme 8.000–20.000 Euro
• Integration und Modell-Training (inkl. Datengenerierung): laut Angebot, die Obergrenze steht in der Rechnung unten
• Laufende Kosten: Annahme 3.000–8.000 Euro/Jahr (Wartung, Software-Lizenzen, Modell-Updates)

Skaliert (mehrere Stationen, vollständige Linienintegration):

• Hardware je Station wie oben, Integration je nach Anzahl der Prüfpunkte und Komplexität laut Angebot
• Implementierungszeit: 6–18 Monate
• Betriebskosten: Annahme 15.000–50.000 Euro/Jahr

ROI-Rechnung, Beispiel mit offen benannten Annahmen: Tier-2-Zulieferer, 60 Millionen Euro Umsatz, Fehlerkosten aus Ausschuss, Nacharbeit und Gewährleistung 2,5 Prozent = 1,5 Millionen Euro im Jahr. Zwei Kamerastationen sehen nicht alle Fehlerklassen des Werks. Angenommen, ein Drittel der Fehlerkosten geht auf Fehler zurück, die an diesen beiden Stationen erkennbar sind: 500.000 Euro. Senkt die vollständige und frühere Erkennung davon 40 Prozent, weil weniger zum Kunden durchrutscht und weniger Wertschöpfung auf Schrott landet, sind das 200.000 Euro im Jahr. Das Drittel und die 40 Prozent sind Annahmen, keine Messwerte, ersetz sie durch eure.

Dagegen stehen laufend 2 mal 3.000 bis 8.000 Euro, also 6.000 bis 16.000 Euro im Jahr. Netto bleiben 184.000 bis 194.000 Euro im Jahr. Davon geht die Hardware ab, 2 mal 8.000 bis 20.000 Euro. Soll sich alles in einem Jahr Vollbetrieb tragen, dürfen Integration und Modelltraining für beide Stationen zusammen höchstens rund 144.000 bis 178.000 Euro kosten: 184.000 bis 194.000 Euro minus 16.000 bis 40.000 Euro Hardware. Davor liegen 3 bis 6 Monate Parallelbetrieb, in denen die manuelle Prüfung weiterläuft und noch nichts gespart wird. Rückrufe sind darin nicht eingerechnet: Sie sind selten, und ohne eine Eintrittswahrscheinlichkeit für euer Bauteil lässt sich kein Jahreswert daraus machen.

Wann die Rechnung nicht aufgeht: Wenn Ausschuss, Nacharbeit und Gewährleistung zusammen unter 0,5 Prozent des Umsatzes liegen, ist der Hebel deutlich kleiner. Wenn die Produktion stark schwankende Produktvarianten verarbeitet und jede Variante ein eigenes Modell-Training erfordert, steigen die laufenden Kosten erheblich. Wenn das Unternehmen noch keine IATF-16949-Zertifizierung hat und diese erst durch das Projekt aufgebaut werden muss, kommt erheblicher Zusatzaufwand hinzu.

Typische Einstiegsfehler

1. Mit zu vielen Fehlerklassen gleichzeitig starten. Der Reflex: Alle bekannten Defekte in einem System erfassen, dann ist die Lösung vollständig. In der Praxis führt das zu einem Modell, das für jeden Fehlertyp zu wenig Trainingsdaten hat, und deshalb bei keinem richtig funktioniert. Der richtige Ansatz: Eine Station, eine Fehlerklasse, die teuerste oder häufigste. Sobald die läuft und validiert ist, wird erweitert.

2. Die Beleuchtung unterschätzen. Gute Kamera, falsches Licht: Das System erkennt 60 % der Kratzer auf einer Aluminiumoberfläche, und alle sagen, das Modell brauche mehr Trainingsdaten. Dabei liegt der Fehler im Kamerawinkel und der Lichtfarbe, nicht im Algorithmus. Beleuchtungsoptimierung als Nacharbeit zu behandeln verlängert die Pilotphase um Wochen und erzeugt falsche Diagnosen. Die Lösung: Beleuchtungskonzept als ersten Projektschritt, idealerweise mit einem Beleuchtungsspezialisten des Anbieters vor Ort.

3. Validierung zu kurz halten. “Das System erkennt 98 Prozent” klingt gut, aber 98 Prozent wovon? Entscheidend ist die Zahl der echten Fehlteile im Test, nicht die Zahl der Teile insgesamt. Wer mit 95 Prozent Sicherheit zeigen will, dass weniger als 1 Prozent der fehlerhaften Teile durchrutschen, braucht rund 300 echte Fehlteile ohne einen einzigen Durchrutscher (Dreierregel: 3 geteilt durch 300). IATF 16949 verlangt eine dokumentierte Messsystemanalyse für das Prüfsystem, die Stichprobengröße legt die Norm nicht fest, und der OEM fragt danach. Das kostet Zeit, spart aber spätere Diskussionen.

4. Das System nach Go-live sich selbst überlassen. Ein häufiger Fehler nach erfolgreicher Pilotphase: Das System läuft, der Druck lässt nach, die Modellpflege rutscht von der Agenda. Neue Bauteilvarianten, geänderte Lackierungen oder überarbeitete Qualitätsstandards fließen nicht mehr ins Modell ein. Nach sechs bis zwölf Monaten erkennt das System Fehlerklassen nicht mehr zuverlässig, die seit einer Produktänderung anders aussehen, ohne dass jemand es bemerkt. Lösung: Modellpflege als feste Prozessverantwortung definieren und mit einem Schwellenwert verknüpfen: Wenn die erkannte Fehlerrate unerwartet sinkt oder steigt, ist das der Auslöser für ein Modell-Review.

Was mit der Einführung wirklich passiert, und was nicht

Die Technik ist der beherrschbare Teil. Die größeren Herausforderungen kommen von woanders.

Prüferinnen und Prüfer am Band. Ein System, das automatisch prüft, löst manchmal die Sorge aus, es solle Menschen ersetzen. Das ist eine legitime Sorge, die nicht wegmoderiert werden sollte. Was hilft: Frühzeitig kommunizieren, dass das System monotone Ermüdungsarbeit abnimmt, und Qualitätsfachleute für Modellpflege, Fehlklassifikationsanalyse und Prozessoptimierung einsetzen. Ein naheliegender Weg: die bisherigen Prüfpersonen zu Systemadministratoren und Modellverantwortlichen weiterbilden, sie kennen die Fehlerbilder am besten.

Qualitätsingenieure und Prozessowner. Wer bisher die Defektdokumentation verantwortet hat, bekommt ein System, das mehr Daten produziert als vorher existiert haben, und das braucht Verantwortliche, die diese Daten nutzen. Ohne eine Person, die das Modell beobachtet, Fehlklassifikationen meldet und Schwellenwerte anpasst, degradiert das System über Monate still.

Der Parallel-Betrieb ist kein optionales Extra. In den ersten 3–6 Monaten läuft das KI-System parallel zur manuellen Prüfung. Die Erkennungsrate wird gemessen und dokumentiert. Erst wenn die Schlupfquote, also der Anteil echter Fehlteile, die durchrutschen, an genug echten Fehlteilen belegt unter eurer Schwelle liegt (siehe Einstiegsfehler 3), wird die manuelle Prüfung für bestimmte Teilkategorien reduziert. Eine Accuracy über alle Teile sagt dafür wenig, weil fehlerfreie Teile sie dominieren. Wer diesen Schritt überspringt, riskiert Qualitätsprobleme, und einen Vertrauensschaden, der das gesamte KI-Programm gefährdet.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unsere Bauteile ändern sich zu oft, das Modell veraltet ständig.” Das ist ein echtes Praxisproblem, das kein Anbieter gerne erwähnt. Die Lösung liegt im Prozess: Jede Bauteiländerung, die optisch relevant ist, löst eine Modellüberprüfung aus, das gehört in den Change-Management-Prozess integriert. Bei häufigen Varianten empfiehlt sich ein modulares Modell mit varianten-spezifischen Erkennungsköpfen. Das ist mehr Aufwand in der Einrichtung, aber deutlich stabiler im Betrieb.

„Wir haben keine ML-Expertise im Haus.” Plattformen wie Landing AI oder die Software-Suites von Keyence und Cognex wurden explizit dafür entwickelt, dass Qualitätsingenieure ohne Maschinenlernhintergrund Modelle trainieren und pflegen können. Was du brauchst, ist Domänenwissen: Was ist ein Defekt, wie sieht er aus, wie schwerwiegend ist er? Das bringen deine Fachleute bereits mit.

„Was passiert, wenn das System einen Fehler übersieht?” Dieser Einwand setzt implizit voraus, dass manuelle Prüfung keine Fehler übersieht. Das tut sie auch, wie oft, zeigt bei euch der Parallelbetrieb. Die richtige Frage ist: Ist die KI-Fehlerrate niedriger als die manuelle Fehlerrate? Das beantwortet nur der Parallelbetrieb, und dafür ist er da. Die Messsystemanalyse, die IATF 16949 für jedes Prüfsystem im Produktionslenkungsplan verlangt, ist kein Hindernis, sondern Teil des regulären Qualitätssicherungsprozesses.

Woran du merkst, dass das zu dir passt

• Ausschuss, Nacharbeit und Gewährleistung machen mehr als 0,5 Prozent des Umsatzes aus, und du weißt das, weil du es misst
• Du hast wiederkehrende Gewährleistungsfälle beim OEM und kannst den Produktionsfehler selten eindeutig zurückverfolgen
• IATF-16949-Audits zeigen regelmäßig Lücken in der Prüfdokumentation
• Die manuelle Prüfqualität schwankt messbar zwischen Früh- und Nachtschicht
• Du produzierst hohe Stückzahlen eines relativ homogenen Bauteils, nicht Kleinstserie mit 50 Varianten pro Tag

Wann es sich (noch) nicht lohnt: Bei Fehlerkosten unter 0,5 Prozent des Umsatzes ist der finanzielle Hebel zu klein für den Investitionsaufwand. Bei reiner Kleinstserienfertigung mit hoher Varianz und niedrigen Stückzahlen sind die Modell-Trainingskosten je Variante zu hoch für den Nutzen. Wenn das Unternehmen noch keine grundlegende Qualitätsdokumentation hat, ist ein Computer-Vision-System keine Abkürzung, es setzt funktionierende Grundprozesse voraus.

Das kannst du heute noch tun

Mach eine 30-minütige interne Analyse: Nimm die letzten 12 Monate Ausschuss- und Nacharbeitskosten. Identifiziere die drei teuersten Fehlerklassen und die Station, an der sie entstehen. Das ist die Grundlage für jedes Gespräch mit einem Anbieter, und der Ausgangspunkt für eine realistische ROI-Schätzung.

Wenn du diese Zahlen nicht griffbereit hast: Darin liegt das eigentliche Problem. Ohne diese Datenbasis kann kein Anbieter dir einen seriösen ROI ausrechnen, und du kannst keine sinnvolle Entscheidung treffen.

Für das erste Gespräch mit einem Anbieter oder intern:

Quellen & Methodik

• Rückrufkosten Automobilindustrie: keine belastbare Einzelquelle gefunden, die Seite nennt deshalb keine Zahl.
• Ausschuss- und Nacharbeitsquoten 1,5–4 %: Elunic AG, „KI-Qualitätskontrolle in der Automobilproduktion” (2024).
• Erkennungsrate manuelle Prüfung / Ermüdungseffekt: Der Effekt ist qualitativ gut beschrieben, eine belastbare Prozentzahl haben wir nicht gefunden, die Seite nennt deshalb keine.
• Trainingsdatenbedarf 500–2.000 Bilder je Fehlerklasse: Herstellerangaben Cognex, Keyence und Landing AI; abhängig stark von Defekttyp und Heterogenität.
• Preise Cognex und Keyence: Unsere Toolseiten zu Cognex und Keyence , beide Hersteller nennen keine Listenpreise.
• AWS Panorama: Support-Ende am 31. Mai 2026 laut AWS-Dokumentation (docs.aws.amazon.com/panorama); Azure Percept DK von Microsoft eingestellt, Dokumentation archiviert (learn.microsoft.com).
• IATF 16949:2016: International Automotive Task Force, gültige Fassung seit Oktober 2016, ersetzt ISO/TS 16949. Messsystemanalyse in Abschnitt 7.1.5.1.1, Rückverfolgbarkeit in 8.5.2.1.
• EU AI Act: Verordnung (EU) 2024/1689, Anhang III (abschließende Liste der Hochrisiko-Bereiche, Nummer 4 Buchstabe b für Leistungs- und Verhaltensbewertung von Beschäftigten), abgerufen über artificialintelligenceact.eu/annex/3/.
• Kostenbandbreiten Pilotinstallation: Annahmen innerhalb der Spannen unserer Toolseiten, keine Angebote; Preise variieren stark je nach Anbieter, Komplexität und Stückzahl.

Du willst wissen, welche Prüfstationen bei euch den größten Hebel hätten und wie eine realistische ROI-Schätzung für euren Betrieb aussieht? Meld dich, das können wir gemeinsam in einem kurzen Gespräch herausarbeiten.