Qualitätsprüfung in der Fertigung

Das echte Ausmaß des Problems

Ein Fahrzeugrückruf kostet im Durchschnitt zwischen 150 und 500 Millionen Euro — direkte Kosten, ohne Reputationsschaden. Die Ursache ist fast immer dieselbe: Ein Fehler, der in der Produktion nicht erkannt wurde, multipliziert sich auf Tausende oder Hunderttausende Fahrzeuge. Was in der Fertigungskontrolle 50 Euro kosten würde, kostet nach dem Rückruf das Hundertfache.

Für Tier-1- und Tier-2-Zulieferer ist die Lage kaum besser. Ausschuss, Nacharbeit und Gewährleistungskosten machen in produzierenden Automotive-Betrieben typischerweise 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, die durch bessere Qualitätskontrolle deutlich reduzierbar wären.

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: Studien aus der Produktionspsychologie zeigen, dass die Erkennungsrate manueller Prüfer in der dritten Schichtstunde um bis zu 20 Prozent sinkt und gegen Schichtende weiter fällt (Schätzwert aus Praxisberichten).
• 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

Die Erkennungsraten sind Richtwerte und hängen stark von Fehlertyp, Beleuchtungsqualität und Trainingsumfang ab. Für sicherheitsrelevante Bauteile unter IATF 16949 ist eine zertifizierte Validierungsstudie Pflicht — die angegebenen Werte ersetzen diese nicht.

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) Das ist der stärkste Hebel in dieser Branch. Ein Tier-2-Zulieferer mit 2,5 Prozent Nacharbeitsquote auf 60 Millionen Euro Umsatz hat 1,5 Millionen Euro jährliche Fehlerkosten — eine 40-prozentige Reduktion durch KI-Prüfung bedeutet 600.000 Euro Einsparung. Diese Zahl ist direkt messbar und buchbar. Kein anderer Anwendungsfall in dieser Kategorie erzeugt so klare, direkt isolierbare Kosteneinsparungen.

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 zum klarsten ROI-Fall in der gesamten Branch. Wer eine Prüfstation implementiert und 3 Monate Daten sammelt, weiß exakt, ob sich die Investition lohnt — ohne abstrakte Schätzungen. Die Amortisationszeit liegt erfahrungsgemäß häufig unter einem Jahr, manchmal unter drei Monaten.

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. Das ist nicht nur ein Qualitätsmerkmal — es ist eine IATF-16949-Anforderung für sicherheitsrelevante Bauteile und macht die Reklamationsabwicklung gegenüber dem OEM deutlich 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 — Marktführer für industrielle Bildverarbeitung. Komplettes Ökosystem aus Kameras, Lichtquellen, Software und vortrainierten Modellen für typische Prüfaufgaben. Sehr robust, gut dokumentiert, breite Integrationserfahrung in der Automotive-Branche. Preise ab ca. 5.000 Euro pro Prüfstation, deutlich mehr für vollintegrierte Systeme. Für größere Zulieferer und OEMs die erste 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. Preise vergleichbar mit Cognex.

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.

AWS Panorama / Azure Percept — Cloud-Infrastruktur-Lösungen für Edge-KI in der Fertigung. Gut, wenn bereits eine starke Cloud-Infrastruktur bei AWS oder Azure vorhanden ist und die KI-Inferenz direkt an der Maschine betrieben werden soll. Mehr Eigenentwicklungsaufwand als bei Cognex oder Keyence, dafür mehr Flexibilität bei plattformübergreifenden Anforderungen.

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 → AWS/Azure
• 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 stuft industrielle Bildverarbeitungssysteme in der Regel nicht als Hochrisiko-KI ein — es sei denn, sie werden für die Qualitätssicherung sicherheitsrelevanter Fahrzeugkomponenten eingesetzt. In diesem Fall können zusätzliche Dokumentations- und Transparenzpflichten nach Anhang III EU AI Act relevant werden. Das klärt ihr am besten mit dem Qualitätsmanagement und — wenn Zweifel bestehen — mit einem auf Produkthaftung spezialisierten Rechtsberater.

Was es kostet — realistisch gerechnet

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

• Hardware (Kamera, Beleuchtung, Edge-Rechner): 8.000–20.000 Euro
• Integration und Modell-Training: 15.000–40.000 Euro (Projektaufwand inkl. Datengenerierung)
• Laufende Kosten: ca. 3.000–8.000 Euro/Jahr (Wartung, Software-Lizenzen, Modell-Updates)
• Gesamtinvestition Pilot: 25.000–60.000 Euro einmalig

Skaliert (mehrere Stationen, vollständige Linienintegration):

• Investition: 80.000–300.000 Euro je nach Anzahl der Prüfpunkte und Komplexität
• Implementierungszeit: 6–18 Monate
• Betriebskosten: 15.000–50.000 Euro/Jahr

ROI-Rechnung — konservatives Beispiel: Tier-2-Zulieferer, 60 Millionen Euro Umsatz, Nacharbeit- und Ausschussquote 2,5 Prozent = 1,5 Millionen Euro jährliche Fehlerkosten. KI-Qualitätsprüfung an zwei kritischen Stationen reduziert die Fehlerrate um 40 Prozent: 600.000 Euro Einsparung/Jahr. Investition beider Stationen inkl. Integration: ca. 120.000 Euro. Amortisation: unter drei Monaten — und das ist das konservative Szenario, das Rückrufkostenreduktion und Gewährleistungssenkung noch nicht einrechnet.

Wann die Rechnung nicht aufgeht: Wenn die Ausschussquote unter 0,5 Prozent liegt, 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? Wenn die Validierung auf 200 Testteilen mit seltenen Fehlertypen basiert, ist die Zahl statistisch bedeutungslos. IATF 16949 schreibt für sicherheitsrelevante Bauteile eine dokumentierte Validierung vor — mindestens 500 echte Teile mit verifiziertem Ground-Truth-Label. Das kostet Zeit, spart aber spätere Diskussionen mit dem OEM.

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. In der Praxis werden in erfolgreichen Projekten die bisherigen Prüfpersonen häufig zu Systemadministratoren und Modellverantwortlichen umgeschult.

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 Accuracy stabil über 98 Prozent liegt und False-Negative-Raten in einem akzeptablen Bereich sind, wird die manuelle Prüfung für bestimmte Teilkategorien reduziert. 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 — regelmäßig, messbar, besonders in der dritten Schicht. Die richtige Frage ist: Ist die KI-Fehlerrate niedriger als die manuelle Fehlerrate? Bei einem validierten System ist die Antwort fast immer ja. Für sicherheitsrelevante Bauteile nach IATF 16949 ist außerdem eine zertifizierte Validierung Pflicht — das ist kein Hindernis, sondern Teil des regulären Qualitätssicherungsprozesses.

Woran du merkst, dass das zu dir passt

• Ausschuss und Nacharbeit machen mehr als 1 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 Ausschussquoten unter 0,5 Prozent 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: Branchenschätzungen aus Automotive-Fachpresse und Allianz Risk Barometer 2024; 150–500 Millionen Euro als publizierte Bandbreite für größere Rückrufe.
• Ausschuss- und Nacharbeitsquoten 1,5–4 %: Elunic AG, „KI-Qualitätskontrolle in der Automobilproduktion” (2024); deckt sich mit Erfahrungswerten aus Zuliefererprojekten.
• Erkennungsrate manuelle Prüfung / Ermüdungseffekt: Branchenbekannte Richtwerte aus der Produktionspsychologie; repräsentative Quellen verfügbar über VDI-Berichte zur Mensch-Maschine-Interaktion in der Fertigung.
• Trainingsdatenbedarf 500–2.000 Bilder je Fehlerklasse: Herstellerangaben Cognex, Keyence und Landing AI; abhängig stark von Defekttyp und Heterogenität.
• IATF 16949:2016: International Automotive Task Force — gültige Fassung seit Oktober 2016, ersetzt ISO/TS 16949.
• EU AI Act: Verordnung (EU) 2024/1689, in Kraft seit August 2024. Für industrielle Computer-Vision-Systeme in der Regel kein Hochrisiko-Tatbestand nach Anhang III.
• Kostenbandbreiten Pilotinstallation: Erfahrungswerte aus Branchenprojekten (Stand April 2026); 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.