Prüfprotokoll-Auswertung mit KI

Das echte Ausmaß des Problems

In der Elektrotechnikfertigung sind Prüfprotokolle Pflicht, nicht optional. DGUV Vorschrift 3 (Unfallverhütungsvorschrift elektrische Anlagen und Betriebsmittel) und die Betriebssicherheitsverordnung (BetrSichV) sowie DIN-VDE-Normen schreiben vor, dass elektrische Anlagen und Betriebsmittel regelmäßig geprüft und die Ergebnisse dokumentiert werden müssen. Das erzeugt bei produzierenden Unternehmen täglich Hunderte bis Tausende Datenpunkte.

Das Problem liegt nicht an fehlenden Daten, es liegt daran, dass die Daten nicht systematisch ausgewertet werden. Manuelle Auswertung durch Qualitätsmanager bedeutet: aggregierte Wochenzahlen, keine Trendanalyse über Schichten und Stationen, keine Mustererkennung über Lieferchargen hinweg. Frühe Warnsignale, schleichende Messwertverschlechterungen, station-spezifische Muster, chargenkorrelierte Auffälligkeiten, gehen im Rauschen unter.

Die Kosten entstehen nicht bei der Erkennung des Problems, sondern bei der Spätentdeckung. Ausschuss baut sich über Wochen auf, Nacharbeit muss in die Produktion eingeplant werden, und im schlimmsten Fall führen Feldausfälle bei Endkunden zu Kosten, die ein Vielfaches der Fertigungskosten ausmachen.

Laut ZVEI-Branchenberichten kostet ein Qualitätsproblem, das in der Endkontrolle entdeckt wird, im Schnitt das Dreifache eines in der Fertigung erkannten Problems, und das Dreißigfache, wenn es erst beim Kunden auftritt.

Mit vs. ohne KI, ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5) Die direkte Zeitersparnis bei manueller Protokollauswertung ist erheblich, 2–3 Stunden täglich für Qualitätsmanager, die Berichte zusammenstellen. Das ist real und sofort messbar. Die größere Zeitersparnis liegt aber indirekt: wenn Qualitätsprobleme früher erkannt werden, ist die Diagnose- und Behebungsarbeit deutlich kürzer als bei spätem Eingriff. Nicht ganz auf dem Niveau der Stücklisten-Analyse (die direkt Ingenieurstunden bei jeder Revision einspart), weil der direkte Zeiteffekt hier stärker von der Datenlage abhängt.

Kosteneinsparung, mittel (3/5) Direkte Einrichtungskosten von 15.000–35.000 Euro, dazu Datenintegrationsaufwand. Der Nutzen entsteht über vermiedene Ausschusskosten und Feldausfallkosten, die schwer im Voraus zu kalkulieren sind, aber im Einzelfall sehr hoch sein können. Wer keine Daten über bisherige Ausschussursachen hat, kann den ROI nicht sauber prognostizieren, muss ihn im Betrieb verdienen.

Schnelle Umsetzung, mittel (3/5) Die Datenintegration aus mehreren Prüfstationen, die oft unterschiedliche Datenformate liefern, ist die zeitlich aufwändigste Phase. 6–10 Wochen für Pilotbetrieb sind realistisch. Das KI-System braucht zudem 2–3 Monate Datenhistorie, um verlässliche Muster zu lernen, was bedeutet, dass die volle Wirkung nicht in der ersten Woche, sondern nach einem Quartal eintritt.

ROI-Sicherheit, hoch (4/5) Die direkte Zeitersparnis ist gut messbar. Die Früherkennungsleistung braucht eine längere Betriebsphase zur Bewertung, wer kein historisches Baseline-Datum für Ausschussursachen und Erkennungszeitpunkte hat, muss dieses erst aufbauen. Dennoch: messbar, nicht nur schätzbar, und mit ausreichend Datenhistorie nachweisbar.

Skalierbarkeit, hoch (4/5) Neue Prüfstationen, neue Produktlinien, neue Prüfparameter können ins System integriert werden ohne proportionale Kosten. Die KI-Lernfähigkeit wächst mit der Datenmenge, mehr Daten bedeuten bessere Mustererkennung, nicht mehr Aufwand. Grenzen gibt es bei stark heterogenen Prüfprotokollformaten, die normalisiert werden müssen.

Richtwerte, stark abhängig von Prüfvolumen, Datenlage und Integrationsaufwand.

Was das System konkret macht

Eine KI-gestützte Prüfprotokoll-Auswertung arbeitet auf drei Ebenen:

Ebene 1, Datenaggregation und Normalisierung: Prüfdaten aus verschiedenen Quellen (SPS-Auslese, digitale Prüfformulare, CSV-Exporte aus Prüfgeräten) werden in einem gemeinsamen Datenformat zusammengeführt. Das ist oft der aufwändigste Schritt, unterschiedliche Prüfgeräte liefern unterschiedliche Formate, und manuelle Protokolle auf Papier müssen zunächst digitalisiert werden.

Ebene 2, Statistische Muster- und Trendanalyse: Predictive Analytics-Algorithmen analysieren Messwertverläufe über Zeit, Schicht, Station und Chargenzugehörigkeit. Das System erkennt schleichende Trends (der Messwert verschlechtert sich über Tage), periodische Muster (Station X liefert in Spätschicht regelmäßig schlechtere Werte) und Ausreißer, die zwar noch im Toleranzbereich liegen, aber statistisch anomal sind.

Ebene 3, Automatische Berichterstellung: Tägliche und wöchentliche Qualitätsberichte werden ohne manuellen Aufwand generiert, mit Visualisierungen, Trend-Highlights und priorisierten Handlungsempfehlungen. Die Berichte können automatisch an Schichtleiter, Qualitätsmanager und Produktionsleitung verteilt werden.

Der entscheidende Unterschied zu einer einfachen Dashboard-Lösung liegt in der Mustererkennung: Ein Dashboard zeigt aktuelle Messwerte; die KI-Analyse erkennt, welcher Trend auf ein Problem hindeutet, bevor der Grenzwert überschritten wird.

Konkrete Werkzeuge, was wann passt

Siemens Insights Hub, für tiefe Maschinenintegration und IoT-Datenanalyse Wenn Prüfdaten direkt aus Siemens-Automatisierungsanlagen (SIMATIC) kommen, ist Siemens Insights Hub der naheliegende Weg. Die IIoT-Plattform aggregiert Maschinendaten in Echtzeit, KI-Analysen erkennen Anomalien im Betrieb. Für Unternehmen im Siemens-Ökosystem die stärkste Integration, für andere oft überdimensioniert. Preise auf Anfrage, Enterprise-Bereich.

SAP Digital Manufacturing, für SAP-S/4HANA-Umgebungen Wenn Prüfdaten im SAP-Qualitätsmanagementmodul (QM) landet, können die Analytics-Funktionen der eingebetteten SAP Analytics Cloud Trendanalysen direkt über SAP bereitstellen. Nur sinnvoll mit SAP-Backbone.

Power BI + Python-Analysen, für flexible, kosteneffiziente Analytics Für Unternehmen ohne Siemens- oder SAP-Ökosystem: Prüfdaten in Power BI einlesen, Python-basierte Trendanalysen und Anomalieerkennung als Custom Visuals oder Datentransformation in Power Query. Flexibel, gut dokumentiert, breite interne Kompetenz vorhanden. Einrichtungsaufwand: 4–8 Wochen, laufende Kosten: Power BI Pro ca. 10 Euro/Nutzer/Monat.

Keyence Vision-Systeme + SPC-Software, für Inline-Qualitätsprüfung mit historischer Auswertung Wenn Prüfung direkt an der Linie mit KEYENCE-Systemen erfolgt, bieten KEYENCE-eigene SPC-Softwarelösungen Trendanalyse über Zeit und Linien hinweg, ohne externe KI-Integration. Einstiegspunkt für Unternehmen, die bereits KEYENCE-Hardware haben.

Claude für unstrukturierte Protokollauswertung Für Freitextfelder in Prüfprotokollen, Fehlerkommentare, Abweichungsbeschreibungen, Prüfernotizen, ist ein LLM hilfreich für Klassifikation und Extraktion. Fehlertypen aus Freitext extrahieren, Häufungstendenzen in Kommentaren erkennen, ohne manuelle Kodierung. API-Kosten: 20–100 Euro/Monat je nach Volumen.

Wann welcher Ansatz:

• Siemens-Maschinenpark vorhanden → Siemens Insights Hub
• SAP-ERP vorhanden → SAP Digital Manufacturing QM-Analytics
• Heterogene Prüfgeräte, kein Ökosystem → Power BI + Python
• KEYENCE-Hardware vorhanden → KEYENCE SPC-Software + ggf. KI-Ergänzung
• Unstrukturierte Protokolle mit viel Freitext → LLM-Extraktion als Ergänzung

Datenschutz und Datenhaltung

Prüfprotokolle in der Elektrotechnik enthalten in der Regel keine personenbezogenen Daten im klassischen Sinne, aber oft Mitarbeiterkennungen (wer hat geprüft?), die nach DSGVO als personenbezogene Daten gelten. Zudem sind Qualitätsdaten und Prüfergebnisse häufig als vertrauliche Betriebsinformationen einzustufen.

Für die Auswahl der Analytics-Plattform gilt: Bei maschinennahen Daten (ohne Personenbezug) ist DSGVO weniger kritisch als bei HR-Daten. Sobald Mitarbeiterkennungen in die Analyse einbezogen werden, greift das Mitbestimmungsrecht des Betriebsrats nach § 87 Abs. 1 Nr. 6 BetrVG, eine Betriebs- oder Dienstvereinbarung über den Einsatz des Systems ist dann Pflicht, nicht Option.

Siemens Insights Hub und SAP Digital Manufacturing bieten EU-Datenhosting und sind nach ISO 27001 zertifiziert. Power BI (Microsoft Azure) mit EU Data Boundary ist eine vergleichsweise DSGVO-freundliche Wahl für Cloud-Analytics. On-Premise-Varianten (Power BI Report Server, lokale Python-Analysen) bieten maximale Datenkontrolle.

Für Cloud-Dienste: AVV nach Art. 28 DSGVO abschließen, Prüfprotokoll-Daten vor dem Export anonymisieren oder pseudonymisieren, wenn Personenbezug vorhanden.

Was es kostet, realistisch gerechnet

Einmalige Einrichtungskosten

• Datenintegration aus bestehenden Prüfgeräten und -systemen: 10.000–20.000 Euro (stärkstes Kostentreiber, je mehr Quellen und Formate, desto teurer)
• Analytics-Konfiguration (Dashboard, Trendanalyse-Regeln): 5.000–15.000 Euro
• Training des Anomalie-Erkennungssystems mit historischen Daten: intern, 2–4 Wochen Aufwand

Laufende Kosten (monatlich)

• Power BI Pro: ~10 €/Nutzer/Monat
• Siemens Insights Hub: Enterprise-Preise auf Anfrage
• SAP Digital Manufacturing: in SAP-Lizenz enthalten
• Cloud-LLM für Freitext-Extraktion: 20–100 €/Monat

Konservative Nutzenrechnung Qualitätsmanager spart 2 Stunden täglich Protokollauswertung: 40 Stunden/Monat bei 50 €/Stunde = 2.000 Euro/Monat eingesparte Zeit. Bei 25.000 Euro Einrichtungskosten: Amortisation ca. 12–13 Monate über Zeitersparnis allein. Hinzu kommen vermiedene Ausschusskosten, ein einziger verhinderter Fertigungsstopp (Kosten: 10.000–50.000 Euro) tilgt die gesamten Einrichtungskosten.

Wie du den Nutzen tatsächlich misst Dokumentiere vor der Einführung: Zeit für Wochenbericht, Anzahl der Qualitätsstörungen und deren Erkennungszeitpunkt (in welcher Produktionsphase wurde das Problem bemerkt?). Nach 6 Monaten Betrieb: dieselben KPIs, plus Zeitabstand zwischen erstem KI-Signal und tatsächlicher Grenzwertüberschreitung als Maß für die Früherkennungsleistung.

Typische Einstiegsfehler

1. Mit der Analyse starten, bevor die Datenintegration sauber ist. Das ist der häufigste Fehler bei Prüfprotokoll-Projekten. Wenn Prüfdaten aus drei Quellen kommen und jede Quelle andere Einheiten, andere Zeitstempel-Formate und andere Prüfparameter-Bezeichnungen nutzt, produziert das Analyse-System unsinnige Ergebnisse. Datenqualität ist die Grundlage, wer hier spart, spart am falschen Ende. Lösung: Datennormalisierung und Qualitätsprüfung der historischen Daten als eigenständige Projektphase einplanen, bevor die KI-Analyse konfiguriert wird.

2. Zu viele Analysen gleichzeitig definieren. Der Reflex: Wenn wir schon alles analysieren, dann analysieren wir alles. In der Praxis führt das zu Dashboards mit 40 KPIs, bei denen niemand weiß, worauf geachtet werden soll. Entscheidend ist, mit 3–5 klar definierten Qualitätsindikatoren zu starten, die direkt mit bekannten Problemtypen zusammenhängen. Komplexität kann später wachsen.

3. Anomalie-Alarme zu sensibel kalibrieren. Ein System, das jeden Tag 20 Anomalie-Warnungen ausspielt, von denen 18 irrelevant sind, wird nach zwei Wochen ignoriert. Alarm-Fatigue ist eines der häufigsten Gründe, warum Analytics-Systeme trotz hohem Einrichtungsaufwand nicht genutzt werden. Lösung: Alarmschwellen in den ersten Betriebswochen konservativ setzen und auf Basis realer Feedbacks feinjustieren.

4. System ohne Feedback-Mechanismus von Qualitätsexperten betreiben. Die KI erkennt statistische Muster, ob das Muster relevant ist, wissen die Fachleute. Ohne einen strukturierten Prozess, in dem Qualitätsmanager und Schichtleiter Anomalie-Signals validieren und kommentieren (“Hier war Rohstoffwechsel, kein Fehler” / “Hier hat es tatsächlich ein Bauteilproblem gegeben”), lernt das System nicht, und Fehlalarme werden nicht reduziert. Feedback-Loop ist keine Ergänzung, er ist die Lernschleife des Systems.

Was mit der Einführung wirklich passiert, und was nicht

Qualitätsmanager, die jahrelang Berichte manuell erstellt haben, werden das System zunächst skeptisch beobachten, und die ersten Anomalie-Signale kritisch hinterfragen. Das ist gut so: Kritische Überprüfung der KI-Outputs deckt Kalibrierungsprobleme auf, die sonst unbemerkt bleiben würden.

Ein klassisches Szenario in der Einführungsphase: Das System meldet ein Anomalie-Signal für Station 3 in der Frühschicht, und die Schichtleiter wissen sofort, warum: montags startet die Schicht 20 Minuten später als geplant, was die Messwerte beeinflusst. Dieses Wissen steckte bisher in niemandem’s Bericht, aber jeder in der Fertigung wusste es. Genau dieser Austausch, KI-Signal trifft auf Produktionswissen, ist das, was das System über Zeit besser macht.

Was sich verändert: Die Qualitätsmanagement-Rolle verschiebt sich von “Berichte zusammenstellen” zu “Muster interpretieren und Maßnahmen einleiten”. Das ist eine Aufwertung, keine Bedrohung, aber sie erfordert eine andere Qualifikation und muss entsprechend kommuniziert werden.

Was nicht automatisch passiert: Das System eliminiert keine Qualitätsprobleme. Es macht sie früher sichtbar. Ob frühere Sichtbarkeit zu frühzeitiger Behebung führt, hängt davon ab, ob die Produktionsverantwortlichen auch die Kapazität haben, auf Signale zu reagieren. Ein System, das Alarme ausgibt, die niemand bearbeitet, liefert keinen Mehrwert.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

“Wir haben die Prüfdaten nicht digital oder nur in isolierten Systemen.” Das ist der häufigste Ausgangszustand, und kein Ausschlusskriterium, aber ein zusätzlicher Schritt. Wer primär Papierprotokolle hat, digitalisiert zuerst. ToolSense, remberg oder ähnliche digitale Protokollierungstools sind ein guter Schritt davor, und senken gleichzeitig den Auswertungsaufwand, noch bevor eine KI-Analyse eingebaut wird. Die KI-Schicht kommt danach, nicht gleichzeitig.

“Unsere Prüfer wissen selbst, wann etwas auffällig ist.” Das stimmt für offensichtliche Ausreißer, Messungen weit außerhalb der Toleranz. Was kein Mensch zuverlässig erkennt: schleichende Trends über viele Wochen hinweg, Muster die Station-Schicht-Kombinationen aufspannen, Korrelationen zwischen Chargennummern und Qualitätsauffälligkeiten. Das ist kein Kompetenzproblem, sondern ein strukturelles: Menschen summieren, KI-Systeme lernen Verläufe.

“Das wird unser Betriebsrat nicht akzeptieren.” Legitime Sorge, wenn Mitarbeiterkennungen in der Analyse auftauchen, ist Mitbestimmung Pflicht. Die Lösung: Betriebsrat frühzeitig einbinden, Anonymisierungs- oder Pseudonymisierungskonzept entwickeln, Betriebs- oder Dienstvereinbarung abschließen. Das ist Aufwand, aber kein unüberwindliches Hindernis. Wer den Betriebsrat erst nach der Implementierung informiert, hat ein erhebliches Compliance-Problem.

Woran du merkst, dass das zu dir passt

• Dein Qualitätsmanager verbringt regelmäßig mehrere Stunden pro Woche mit der manuellen Zusammenstellung von Berichten aus Prüfprotokollen
• Ihr habt Qualitätsprobleme, die erst in der Endkontrolle oder beim Kunden auffallen, obwohl die Zwischenprüfungen Werte im Toleranzbereich gezeigt haben
• Ihr produziert in mehreren Schichten oder an mehreren Stationen und habt kein System, das Muster über diese Dimensionen hinweg erkennt
• Eure historischen Prüfdaten liegen digital vor und sind mindestens 6 Monate zurück verfügbar
• Ihr habt einen Qualitätsmanager oder eine Person, die das System betreut und die Muster interpretiert

Wann es sich noch nicht lohnt, drei harte Ausschlusskriterien:

1. Prüfdaten liegen hauptsächlich auf Papier und das Digitalisierungsvorhaben ist noch nicht beschlossen. Das System braucht digitale, maschinenlesbare Daten als Input. Wer hier startet, betreibt zuerst ein Digitalisierungsprojekt und dann ein Analytics-Projekt, der Aufwand verdoppelt sich. Sinnvoller: erst digitale Prüfprotokollerfassung einführen, dann KI-Analyse draufsetzen.

2. Unter 50–100 Prüfprotokolle pro Woche. Bei niedrigem Prüfvolumen gibt es keine statistisch relevante Datenmenge für Mustererkennung. Manuelle Sichtprüfung durch den Qualitätsmanager ist bei diesem Volumen effizienter. Die KI braucht Masse, um Muster zu erkennen.

3. Kein Betriebsrat-Einbindungskonzept bei personenbezogenen Prüfdaten. Wenn Prüfprotokolle Mitarbeiterkennungen enthalten und ihr den Betriebsrat nicht in die Planungsphase einbezieht, riskiert ihr eine rechtliche Blockade kurz vor dem Start. Das ist kein theoretisches Risiko, es ist ein häufiges Einführungshindernis in der Praxis.

Das kannst du heute noch tun

Wenn eure Prüfprotokolle schon digital vorliegen, kannst du heute mit einer einfachen LLM-Analyse der Freitext-Kommentare beginnen, auch ohne Datenintegration und ohne Analytics-Plattform.

Quellen & Methodik

• DGUV Vorschrift 3 (Prüfpflichten für elektrische Betriebsmittel): Deutsche Gesetzliche Unfallversicherung, DGUV Vorschrift 3 “Elektrische Anlagen und Betriebsmittel” (aktuelle Fassung). Pflicht zur Prüfung und Protokollierung von elektrischen Betriebsmitteln nach BetrSichV und DGUV V3.
• Fehlerfolgekosten-Verhältnis (3x Endkontrolle, 30x Feld): ZVEI, “Qualitätskosten in der Elektronikfertigung” (2022); bestätigt durch allgemeine Qualitätsmanagement-Literatur (Crosby Rule of Ten, angepasst für Elektronikindustrie).
• KI-Erkennungsqualität AOI (>99 %): MDPI Electronics, “Advancements in Electronic Component Assembly: Real-Time AI-Driven Inspection Techniques” (2023). Für Bildanalyse-Anwendungen; statistische Mustererkennung in Messdaten ist ein separates Anwendungsgebiet mit anderen Erkennungsraten.
• Betriebsrat-Mitbestimmung KI-Systeme: § 87 Abs. 1 Nr. 6 BetrVG (Einführung und Anwendung von technischen Einrichtungen, die geeignet sind, das Verhalten oder die Leistung der Arbeitnehmer zu überwachen).
• Implementierungskosten: Erfahrungswerte aus Analytics-Projekten in der deutschen Fertigungsindustrie (Stand April 2026).

Du willst einschätzen, ob eure Prüfdaten-Basis ausreicht für sinnvolle Trendanalysen, und welcher Integrationsweg bei eurem System-Setup passt? Meld dich, wir schauen uns das gemeinsam an.