Glasurfarb-Konsistenz: Chargenvergleich und Abweichungsalarm bei Keramik

Das echte Ausmaß des Problems

Keramikglasuren sind chemisch komplex. Die Endfarbe nach dem Brennen ergibt sich aus dem Zusammenspiel von Pigmentkonzentration, Glasfritte, Glasurdicke, Brenntemperatur, Ofenbeladung, Brennatmosphäre und sogar der Restfeuchte der Rohstoffcharge. Eine Abweichung von zehn Grad Celsius in der Spitzentemperatur kann ΔE-Werte von über 2,0 erzeugen — für das menschliche Auge sichtbar, für eine Baustelle inakzeptabel.

Die EN ISO-Norm für Keramikfliesen fordert, dass mindestens 95 Prozent einer Charge frei von sichtbaren Fertigungsfehlern sind — dazu zählen Farbungleichmäßigkeiten. Wird dieser Schwellenwert überschritten, liegt eine fehlerhafte Lieferung vor. In der Praxis zeigen Branchen-Audits, dass die tatsächliche Ausschussrate bei Farbfehlern je nach Produkt und Prozessreife zwischen 3 und 12 Prozent schwankt.

Besonders tückisch ist die schleichende Farbdrift: Wenn eine Rohstofflieferung etwas abweicht — ein minimal anderes Verhältnis von Eisenoxid zu Zirkonoxid im Pigment —, entsteht kein abrupter Farbsprung, sondern ein langsames Wandern des Farbsollwerts über mehrere Wochen. Sichtprüfer im Betrieb kalibrieren ihr Auge unbewusst auf das, was sie täglich sehen. Was sie nicht bemerken: dass ihr Referenzpunkt selbst gewandert ist. Erst wenn Chargen von vor sechs Wochen neben aktueller Ware stehen, wird die Abweichung sichtbar.

Die wirtschaftlichen Folgen sind erheblich:

• Reklamationskosten: Zwischen 2.000 und 15.000 Euro je Fall — abhängig von Auftragsgröße, Logistikaufwand und Kulanzregelung
• Energieverlust: Das Brennen einer Keramikcharge verbraucht nach Branchenerhebungen ca. 1,67 MWh Energie pro Tonne Ware. Fehlchargen, die erst nach dem Brennen entdeckt werden, haben diese Energie unwiederbringlich verbraucht
• Sortieraufwand: Wenn eine Charge nicht eindeutig fehlerhaft, aber grenzwertig ist, entsteht manueller Nachsortierungsaufwand von mehreren Stunden

Die Konica Minolta Sensing beschreibt dieses Problem in ihrer Praxisdokumentation für Keramikhersteller als strukturell: Fast jede Keramikfliese weist eine gewisse Farbtonvarianz auf — die Frage ist, ob man sie misst, bevor die Ware das Werk verlässt.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zahlen zu Erkennungsgrenzen und Drift-Erkennung stammen aus Praxisberichten von HunterLab zur spektrophotometrischen Keramikfliesenkontrolle (hunterlab.com). ΔE-Schwellwerte unter 1,0 gelten nach aktuellem Forschungsstand als für das menschliche Auge im Normalblick nicht wahrnehmbar; Werte über 2,0 sind unter kontrollierten Bedingungen deutlich sichtbar.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Der tägliche Zeitgewinn ist real, aber begrenzt: Der manuelle Farbvergleich unter D65-Normlicht entfällt (ca. 1 Stunde pro Schicht in Betrieben mit manueller Kontrolle), und Nachsortierungsaufwand bei Grenzchargen reduziert sich deutlich. Was diesen Use Case von Zeitersparnis-Spitzenreitern wie der vollautomatischen Floatglas-Inspektion unterscheidet: Spektrophotometrische Farbkontrolle bei Keramik ist kein Ersatz für einen vollständigen Prüfvorgang — sie ist eine Ergänzung, die das manuelle Urteil mit objektiven Messwerten unterstützt.

Kosteneinsparung — mittel (3/5) Die Einsparung je vermiedenem Reklamationsfall ist substanziell (2.000–15.000 €), aber die Häufigkeit, mit der Farbreklamationen auftreten, variiert stark nach Produktkategorie und Zielmarkt. Wer hauptsächlich Standardware für den Baumarkt produziert, hat tolerantere Kunden als wer Architektenware für Premiumbauprojekte liefert. Der Kostenvorteil ist real, aber sein Ausmaß hängt vom individuellen Reklamations-Baseline-Wert ab — und der ist nicht immer bekannt, bevor man ihn erfasst.

Schnelle Umsetzung — hoch (4/5) Gemessen an anderen Use Cases in dieser Branche ist der Implementierungsweg überschaubar: Ein Labor-Spektrophotometer für die Zielfarb-Referenzierung (ab ca. 10.000 €) oder ein Inline-System nach dem Tunnel-Ofen, Anbindung an Datacolor Tools oder eine vergleichbare Farbdatenbank-Software, Aufbau des statistischen Trendmodells. Kein komplexes Sensor-Fusion-Problem, keine SPS-Tiefintegration notwendig. Pilotbetrieb realistisch in 3–5 Monaten.

ROI-Sicherheit — mittel (3/5) Der Nutzen ist direkt messbar — Reklamationsquote vor und nach der Einführung, Anteil der gestoppten Fehlchargen, Energieeinsparung durch Vorabbewertung. Was den ROI unsicher macht: Betriebe mit wenigen oder keinen Farbreklamationen haben keinen Ausgangsproblembeweis. Der ROI tritt verlässlich ein, wenn das Ausgangsproblem identifiziert ist. Ohne dokumentierten Baseline-Messwert ist es schwieriger, den Business Case intern zu verkaufen.

Skalierbarkeit — sehr hoch (5/5) Das gleiche Messsystem, die gleiche Referenzdatenbank, das gleiche Trendmodell skalieren ohne proportionalen Mehraufwand auf alle Brennöfen, alle Produktlinien, alle Produktionsstandorte. Neue Farbrezepturen werden als neue Referenzstandards in die bestehende Datenbank aufgenommen. Das ist der stärkste Vorteil dieses Use Cases: Wer einmal eine funktionsfähige Farbkontroll-Infrastruktur aufgebaut hat, kann sie für die gesamte Produktion nutzen.

Richtwerte — stark abhängig von Produktkategorie, Markt und aktueller Reklamationsfrequenz des Betriebs.

Was das System konkret macht

Der technische Ansatz kombiniert zwei Komponenten, die einzeln keine Neuheit sind — aber erst zusammen einen Sprung gegenüber klassischer Sichtprüfung bedeuten.

Komponente 1: Spektrophotometrische Messung

Ein Spektrophotometer misst die reflektierten Lichtanteile einer Oberfläche über das gesamte sichtbare Spektrum (380–780 nm) und berechnet daraus L*a*b*-Farbwerte im CIELAB-Farbraum. L* steht für Helligkeit (0 = schwarz, 100 = weiß), a* für den Rot-Grün-Anteil, b* für den Gelb-Blau-Anteil. Der Delta-E-Wert (ΔE) gibt die Gesamtabweichung zwischen zwei Messpunkten an: Wie weit liegt die gemessene Farbe von der Zielfarbe entfernt?

Im Gegensatz zur menschlichen Sichtprüfung ist diese Messung:

• Illuminationsunabhängig (Ergebnis unter D65-Normlicht, nicht unter Hallenbeleuchtung)
• Reproduzierbar auf 0,04 ΔE (Gerätepräzision moderner Laborgeräte)
• Dokumentierbar mit Zeitstempel, Chargen-ID und Messbedingungen

Komponente 2: Machine Learning-Trendmodell

Einzelmessungen sagen wenig. Ein statistisches Trendmodell, das auf der Messdatenbank der letzten 6–24 Monate trainiert wurde, erkennt Drift-Muster. Es beantwortet Fragen wie: Weicht Charge 847 nur zufällig vom Sollwert ab — oder ist sie Teil einer Drift-Bewegung, die in drei Brennzyklen zur Grenzwertüberschreitung führt?

Forschende von der 8. International Conference on Machine Learning Technologies (ICMLT 2023, Stockholm) haben für den Keramiksektor gezeigt, dass sowohl Deep-Learning-Ansätze als auch Reinforcement-Learning-Modelle in der Lage sind, Farbmischvorhersagen aus Spektraldaten zu generieren — wenngleich mit wichtigen Einschränkungen (dazu mehr im Abschnitt zu typischen Einstiegsfehlern).

Was das System in der Praxis liefert

Charge 847 kommt aus dem Tunnelofen. Das Inline-Spektrophotometer misst automatisch 10 Stichproben aus der Charge. Das System berechnet ΔE gegenüber dem Zielstandard: Wert 1,1. Die Grenze liegt bei 1,5. Das System zeigt “Grenzwert-nah” und zeigt gleichzeitig, dass die letzten drei Chargen alle in Richtung “zu warm” gedriftet sind. Trendmuster: +0,15 ΔE pro Brennzyklus. In zwei Zyklen wäre die Grenze überschritten.

Qualitätsleiterin Hausberg bekommt eine Meldung mit konkreter Empfehlung: “Brennprofil prüfen — Driftmuster erkannt.” Noch bevor die Ware in den Versand geht.

Was ihr messtechnikseitig braucht

Dieser Use Case steht oder fällt mit der richtigen Messtechnik-Entscheidung. Es lohnt sich, die Optionen vor dem ersten Einkaufsgespräch zu verstehen.

Labor-Spektrophotometer (Offline) Ein Tisch-Spektrophotometer im Qualitätslabor misst Stichproben nach dem Brennen. Geräte wie der Konica Minolta CM-36dG (Repeatability σΔE*ab 0.04, inter-instrument agreement ΔE*ab < 0.12) oder das Datacolor 800 (ab ca. 10.000 USD) sind der Standardeinstieg. Vorteil: Kein Umbau der Produktionslinie notwendig. Nachteil: Manuelle Probeentnahme, keine vollständige Chargenabdeckung.

Inline-Spektrophotometer nach dem Tunnelofen Die leistungsstärkere Lösung: Ein Spektrophotometer, das automatisch auf das Förderband montiert ist und jede Fliese oder Stichproben in definiertem Rhythmus misst. Datacolor Tools und die zugehörige Hardware unterstützen Inline-Integration. Vorteil: Vollständige Chargenabdeckung, kein Eingriff durch Personal notwendig. Nachteil: Höhere Investitionskosten (ca. 40.000–80.000 € für Inline-Vollsysteme), mechanische Integration in die Förderstrecke notwendig.

Welches ΔE-Maß soll man verwenden?

Das ist keine triviale Frage. Es gibt drei gängige Formeln:

• ΔE CIE 1976 (klassisch, einfach) — nicht gleichmäßig wahrnehmungskorreliert; in älteren Systemen verbreitet
• ΔE CMC — optimiert für Textilanwendungen, dort noch Standard
• ΔE₀₀ (CIEDE2000) — aktueller Stand der Technik; korreliert am besten mit menschlicher Farbwahrnehmung, auch in Keramik zunehmend genutzt

Für Keramikfliesen empfehlen aktuelle Praxisberichte CIEDE2000 für neue Installationen. Wenn euer Lieferant oder Kunde ein anderes Maß verwendet, müsst ihr das explizit abstimmen — sonst vergleicht ihr Äpfel mit Birnen beim Grenzwertvergleich.

Messung vor oder nach dem Brennen?

Eine fortgeschrittene Variante misst die Glasurschlämme (Slurry) vor dem Brennen mit einem Reflektanzspektrophotometer. Kombiniert mit dem geplanten Brennprofil kann ein ML-Modell die erwartete Post-Firing-Farbe prognostizieren. Das erlaubt theoretisch, eine Fehlcharge abzulehnen, bevor die Brennenergie verbraucht ist — die energetisch sauberste Lösung.

Realistisch ist dieses Szenario erst nach 12–24 Monaten Betrieb, wenn genug Paare aus “Slurry-Messung + tatsächlicher Post-Firing-Farbe” für ein valides Prognosemodell vorliegen. Als Einstieg empfiehlt sich daher immer: Messen nach dem Brennen, Trend erfassen, Modell verfeinern.

Konkrete Werkzeuge — was wann passt

Die Werkzeuglandschaft für diesen Use Case gliedert sich in zwei Ebenen: Farbmessungs-Software (was die Datenbasis liefert) und ML-Plattformen (was aus den Daten ein Prognosemodell macht).

Datacolor Tools — Farbdatenbank und Chargenauswertung Die direkte Wahl für industrielle Keramik-Farbkontrolle. Datacolor Tools verwaltet Farbstandards mit Toleranzellipsen, berechnet ΔE nach CIE 1976, CIE 1994 und CIEDE2000, und liefert automatische Pass/Fail-Auswertungen. Die zentrale Farbdatenbank wächst mit jeder Messung und bildet die Grundlage für spätere ML-Prognosen. Wichtig: Datacolor Tools selbst hat keine native ML-Prognose — es liefert die Datengrundlage, nicht das Trendmodell. Einmaligkosten für Einstiegspaket: ca. 3.000–8.000 €.

Landing AI (LandingLens) — ML-Modelle ohne Data-Science-Hintergrund Für Betriebe ohne eigene Datenwissenschaftler: LandingLens ermöglicht, aus Produktionsdaten Klassifikationsmodelle zu trainieren — z. B. “Charge im Toleranzband / außerhalb”. Nachteil: US-Datenhosting, kein Deutsch, kein deutschsprachiger Support. Geeignet für Pilotprojekte, bevor in Industriesysteme investiert wird.

Amazon SageMaker / Azure Machine Learning — ML-Plattformen für fortgeschrittene Setups Wer ein echtes Trendmodell auf historischen Chargenmessungen trainieren will, braucht eine ML-Trainingsplattform. SageMaker (EU-Region Frankfurt verfügbar) und Azure ML (EU-Region Frankfurt/Amsterdam) sind die industrietauglichen Optionen mit DSGVO-konformer Datenhaltung. Für die typische Anwendung (Regressionsmodell auf 500–2.000 Chargen-Datenpunkten) reichen auch Open-Source-Bibliotheken in Python — scikit-learn, statsmodels — ohne Cloud-Abhängigkeit.

Wann welcher Ansatz

• Einstieg ohne eigene IT: Datacolor Tools + manuelles Trendmonitoring in Excel
• Mehr Automatisierung, kein eigenes ML-Team: Landing AI für Klassifikation
• Eigene IT-Abteilung, DSGVO-kritische Daten: Python + scikit-learn auf eigener Infrastruktur oder SageMaker in EU-Frankfurt
• Komplexes Multi-Ofen-Setup mit Echtzeit-Feedback: Azure ML + OPC UA-Integration in Ofensteuerung

Datenschutz und Datenhaltung

Glasurfarb-Messdaten sind in aller Regel keine personenbezogenen Daten im Sinne der DSGVO — es handelt sich um Produktions- und Qualitätsmesswerte ohne Personenbezug. Das vereinfacht die rechtliche Situation erheblich: Ein AVV nach Art. 28 DSGVO ist nur dann erforderlich, wenn personenbezogene Daten an externe Verarbeiter übermittelt werden.

Praktische Empfehlungen:

• Datacolor Tools: US-Unternehmen (Lawrenceville, NJ); für rein lokale Installation auch ohne Cloud-Anbindung nutzbar. Bei Cloud-Nutzung AVV klären. Für reine Qualitätsdaten ohne Personenbezug ist das Datenschutzrisiko jedoch typisch gering.
• Landing AI: US-Hosting ohne garantierte EU-Region für LandingLens. Für Produktionsbilder und Spektraldaten aus sensitiven Produktionsprozessen (Rezepturgeheimnisse!) kann das relevant sein. Enterprise-Plan mit On-Premise-Deployment verfügbar.
• AWS SageMaker / Azure ML: EU-Regionen (Frankfurt) verfügbar — saubere Datenhaltung auch für sensible Produktionsrezepturen.
• Lokal auf eigener Infrastruktur: Die sauberste Option für Betriebe mit strengen IP-Schutzanforderungen. Python + scikit-learn auf einem eigenen Server im Werk braucht keine externe Anbindung und keine AVV.

Besonderheit dieser Branche: Glasurrezepturen sind Betriebsgeheimnisse. Wer Spektraldaten von Glasurschlämmen in Cloud-Dienste überträgt, muss sicherstellen, dass diese Daten nicht über Serving-Infrastruktur des Anbieters für Dritte einsehbar sind. Lokale Verarbeitung hat hier einen Argument-Vorsprung, der jenseits des DSGVO-Rahmens liegt.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

Für einen realistischen Mittelstandsbetrieb mit Labor-Einstieg (kein Inline) liegt das Gesamtinvestitionsvolumen bei 20.000–45.000 €. Mit Inline-System: 60.000–120.000 €.

Laufende Kosten (monatlich)

• Farbmessungs-Software: 500–1.500 €/Jahr Wartungsgebühr
• ML-Plattform (Cloud): 100–500 €/Monat (bei lokalem Betrieb: Instandhaltung eigene Hardware)
• Kalibrierungsaufwand: 2–4 Stunden/Monat interner Aufwand

Was du dagegen rechnen kannst

Eine einzige vermiedene Farbreklamation rechtfertigt in vielen Betrieben schon die Softwarekosten eines Jahres. Die Kalkulation ist direkt: Wenn dein Betrieb fünf bis zehn Farbreklamationen im Jahr hat und der durchschnittliche Fall 5.000 € kostet, liegt das jährliche Schadenspotenzial bei 25.000–50.000 €.

Im konservativen Szenario: Das System reduziert die Reklamationsquote um 30 Prozent. Bei zehn Fällen pro Jahr und 5.000 € Durchschnittsschaden sind das 15.000 € Einsparung im ersten Jahr. Gleichzeitig reduziert sich der Energieverlust durch Fehlchargen, die künftig gestoppt werden, bevor sie nochmals gebrannt werden.

Wie du den Nutzen tatsächlich misst: Dokumentiere die Reklamationsquote und den Anteil farbabweichungs-bedingter Fälle über 12 Monate vor der Einführung. Das ist dein Baseline-Wert. Nach der Einführung lässt sich der Unterschied direkt ablesen — nicht schätzen.

Typische Einstiegsfehler

1. Starten ohne ausreichende Messdaten-Basis

ML-Trendmodelle brauchen historische Chargen-Messungen als Trainingsdaten. Das IAAC-Forschungsprojekt der Universität Barcelona (2023–2024) hat dies eindrücklich belegt: Ein studentisches Team versuchte, aus 29 Glasurkomponenten mit 2.900 synthetisch erweiterten Datenpunkten ML-Modelle für Farbvorhersagen zu trainieren — mit drei verschiedenen Modellarchitekturen, von linearer Regression bis zu tiefen neuronalen Netzen. Ergebnis: “Egal wie komplex unsere Lösung war — kein Modell war präzise genug.” Der Grund: Fehlende Pigment-Information im Datensatz und zu wenige echte Messpunkte aus realen Brennchargen.

Die Lektion: Du brauchst mindestens 300–500 dokumentierte Chargen-Messungen mit bekannten Prozessparametern (Brenntemperatur, Ofenbeladung, Rohstoffcharge), bevor ein ML-Modell valide Vorhersagen liefern kann. Diese Daten entstehen durch systematische Messung — nicht durch nachträgliche Rekonstruktion.

2. Toleranzwert-Diskussion vor Messbeginn auslassen

Viele Betriebe starten mit der Messung, ohne vorher intern abgestimmt zu haben, welcher ΔE-Wert tatsächlich ein Problem ist. Ergebnis: Das System alarmiert bei ΔE 1,0, aber die Verkaufsabteilung weiß, dass Kunden bis ΔE 1,8 tolerieren. Oder umgekehrt: Das System hat eine Grenze bei ΔE 2,0, obwohl Premiumkunden schon bei ΔE 1,2 reklamieren.

Der Toleranzwert ist keine technische Entscheidung — er ist eine Geschäftsentscheidung. Sie muss vor dem ersten Alarm getroffen und mit dem Vertrieb abgestimmt sein.

3. Kalibrierung des Messgeräts vernachlässigen

Spektrophotometer driften. Optische Verschmutzung, Alterung der Lichtquelle, Temperaturschwankungen — all das kann die Messung um 0,3–0,5 ΔE verschieben, ohne dass das System Alarm schlägt. Wenn das Referenzgerät selbst driftet, ist die gesamte Datenbasis wertlos.

Das ist der heimlichste Fehler: Er fällt nicht sofort auf, weil alle Messwerte weiterhin “plausibel” aussehen. Er fällt auf, wenn nach sechs Monaten die Reklamationsquote nicht gesunken ist — oder wenn ein neues Gerät plötzlich andere Werte liefert.

Lösung: Wöchentliche Kalibrierung mit zugelassenen Referenzstandards (weißem Kalibrierplättchen), monatlicher Vergleich mehrerer Geräte gegen eine Referenzmessung, und ein Kalibrierprotokoll, das automatisch im Farbmessungs-System hinterlegt wird.

4. Das System einrichten und dann nicht pflegen

Wenn eine neue Rohstofflieferung von einem anderen Pigmenthersteller kommt, verschiebt sich der “normale” Farbwert leicht. Das Modell kennt diese neue Normalität nicht — es alarmiert, weil es die alte Normalität kennt. Ergebnis: Fehlalarme, die das Team frustrieren, bis jemand das Alarmierungssystem abschaltet.

Das ist der gefährlichste Fehler: Das System läuft weiter, aber niemand vertraut ihm mehr.

Lösung: Bei jedem Rohstofflieferantenwechsel und bei jedem Glasurrezepturwechsel muss das Referenzmodell aktualisiert werden. Das ist kein technischer Aufwand, sondern ein organisatorischer Prozess — mit einer namentlich verantwortlichen Person.

Was mit der Einführung wirklich passiert — und was nicht

Die größte Hürde bei der Einführung ist selten die Technik. Es sind die Menschen, die täglich mit dem Produkt umgehen.

Das Urteils-Hoheits-Problem. Langjährige Schichtleiter und Qualitätsprüfer haben ihren Blick für Farbqualität über Jahre trainiert. Ein System, das ihrem Urteil widerspricht — das sagt “grenzwertig” bei einer Charge, die sie für gut halten — erzeugt Reibung. Das ist kein Widerstand gegen Technik, sondern ein legitimer Einwand: Wer hat das letzte Wort?

Diese Frage muss vor dem Rollout beantwortet sein. Empfehlung: Das System hat in den ersten drei Monaten Informationshoheit, nicht Entscheidungshoheit. Das heißt: Das System alarmiert, aber der erfahrene Prüfer entscheidet, ob die Charge gesperrt wird. Erst wenn das Team gelernt hat, welchen Alarmierungen zuzutrauen ist, übernimmt das System die automatische Sperrung.

Das Genauigkeits-Paradox. Das Messsystem wird in den ersten Wochen Abweichungen aufzeigen, die vorher niemand sah — und die auch niemand für relevant gehalten hätte. Einige davon werden tatsächlich nicht relevant sein. Das führt zum Einwand: “Das System ist zu empfindlich.” Die Reaktion, die man vermeiden muss: Die Toleranzgrenze nach oben anpassen, bis das System aufhört zu alarmieren. Das macht das System wertlos.

Die richtige Reaktion: Jeden Alarm dokumentieren, die Ware beobachten, in zwei Monaten auswerten, ob die alarmierte Ware statistisch häufiger zu Reklamationen führt als die nicht-alarmierte. Das ist die Datenbasis, auf der man Toleranzwerte sinnvoll anpasst — nicht das Schweigen von Beschwerden.

Was konkret hilft:

• Einen internen “Farb-Champion” benennen — jemand aus dem Qualitätsteam, der das System als Multiplikator im Betrieb versteht und erklärt
• Die ersten drei Monate als “Lernphase” kommunizieren, in der das System kalibriert wird — nicht als Umbruch
• Die ersten zehn Alarme gemeinsam im Team durchgehen: Was wurde gemessen, was sah der Prüfer, was hat der Kunde später gesagt?

Realistischer Zeitplan mit Risikohinweisen

Realistisch sind 3–5 Monate bis zum Pilotbetrieb mit einem Offline-Labor-Gerät. Mit einem Inline-System kommen 4–8 Wochen für die mechanische Integration hinzu.

Häufige Einwände — und was dahintersteckt

“Unsere Kunden sehen den Unterschied sowieso nicht.” Das stimmt für einen Teil des Marktes — und es stimmt nicht dauerhaft. Wer heute Standardfliesen für den Baumarkt produziert, produziert morgen vielleicht für Architekturprojekte mit Farbtoleranz-Spezifikation im Vertrag. Und selbst im Standardmarkt erzeugen sichtbare Abweichungen innerhalb eines Auftrags (Charge 1 gegen Charge 3 auf derselben Baustelle) Reklamationen, die unabhängig davon auftreten, ob der Einzelkunde “empfindlich” ist.

“Wir haben das immer mit dem Auge gemacht und haben kaum Reklamationen.” Das ist ein Überzeugungshinweis, kein Ausschlusskriterium. “Kaum Reklamationen” kann bedeuten: Das Problem ist tatsächlich gering (dann lohnt sich das System weniger). Oder: Die Reklamationen kommen nicht zurück, weil Kunden beim nächsten Mal einfach woanders kaufen. Und es kann bedeuten: Reklamationen werden mündlich geregelt und erscheinen nicht in der Statistik. Welches davon zutrifft, weiß man erst, wenn man es gemessen hat.

“Die Investition ist zu hoch für den unsicheren Nutzen.” Der Nutzen ist berechenbar, nicht unsicher. Was du brauchst: Die Anzahl farbspezifischer Reklamationen der letzten 24 Monate (aus deinem CRM oder Reklamationsregister) und den durchschnittlichen Aufwand je Fall. Das multipliziert ergibt das Schadenspotenzial, das du gegen die Investition stellst. Wenn beides unbekannt ist, ist das erste Projekt: diese Zahlen ermitteln. Nicht das Spektrophotometer kaufen.

Woran du merkst, dass das zu dir passt

• Du produzierst Fliesen, Sanitärporzellan oder technische Keramik in Chargen, bei denen mehrere Lieferungen optisch zusammenpassen müssen (Restpostenlieferungen, Nachlieferungen für Bauprojekte, Exportaufträge)
• Du hast in den letzten zwei Jahren mindestens zwei Farbreklamationen gehabt, die intern Aufwand verursacht haben — Nachlieferung, Kundengespräch, Gutschrift
• Deine Qualitätskontrolle basiert auf Sichtprüfung durch erfahrene Mitarbeitende, und du fragst dich, wie reproduzierbar und dokumentierbar diese Prüfung tatsächlich ist
• Dein Betrieb arbeitet mit mehreren Glasurrezepturen und wechselnden Rohstofflieferanten — das sind die Hauptquellen für Farbdrift
• Du hast bereits eine Messgrundlage: Mindestens ein Spektrophotometer im Betrieb oder der Wille, eines anzuschaffen, und einen Verantwortlichen im Qualitätsteam für die Datenpflege

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Weniger als 2 Mio. € Jahresumsatz oder kein dediziertes Qualitätslabor. Das Messsystem und die Modellpflege brauchen eine Person mit Zuständigkeit und Zeit. In sehr kleinen Betrieben ist diese Kapazität nicht vorhanden, und der Investitionsrahmen passt nicht zum Schadenspotenzial.

2. Keine systematische Mess-Geschichte der letzten 12 Monate. Wenn ihr noch keine digitalen Chargenprotokolle führt, ist der erste Schritt nicht das ML-Modell, sondern das Erfassen strukturierter Qualitätsdaten. Das braucht 12–24 Monate, bevor ein Trendmodell valide arbeiten kann.

3. Hochgradig individualisierte Produktion ohne stabile Farbrezepturen. Wer hauptsächlich Einzelstücke, Kunstkeramik oder handwerkliche Unikate produziert, hat per Definition keine “Zielfarbe pro Charge” — jedes Stück soll anders sein. Dort ist die Prämisse des Systems nicht gegeben. Das Gleiche gilt für Betriebe, bei denen jede Glasur nur einmal vorkommt und keine Referenzmessung existiert.

Das kannst du heute noch tun

Schritt 1: Öffne euer Reklamationsregister (CRM, ERP oder Excel-Liste) und suche nach Reklamationen mit dem Stichwort “Farbe”, “Ton”, “Colorierung” oder “nicht passend” in den letzten 24 Monaten. Wie viele gibt es? Was hat jeder Fall durchschnittlich gekostet? Das ist dein Schadenspotenzial in einer Zahl.

Schritt 2: Sprich mit einem Distributor von Konica Minolta Sensing oder Datacolor und lass dir ein Demo-Messgerät schicken. Miss fünf Chargen deiner meistverkauften Produktlinie und vergleiche die ΔE-Werte gegen den Sollstandard. Was siehst du? Liegen alle unter 1,0? Oder gibt es bereits Abweichungen von 1,5–2,0 in der Stichprobe?

Das dauert eine Woche und kostet nichts. Was du danach weißt: Ob dein Prozess stabil ist — oder ob du ein verstecktes Problem hast.

Für die Auswertung kannst du diesen Prompt nutzen:

Quellen & Methodik

• ΔE-Wahrnehmungsschwellen und Akzeptanzschwellen: Standardangaben aus der CIE-Farbmetrik; PT ≈ 0,8 ΔE₀₀ (wahrnehmbar für 50 % der Beobachtenden), AT ≈ 1,8 ΔE₀₀ (akzeptabel für kommerzielle Anwendungen). Vgl. auch: Studie zur Zahnheilkunde (Asiri et al., International Journal of Dentistry, 2026), in der ähnliche Schwellen dokumentiert werden.
• ML für Keramik-Farbvorhersage (ACM ICMLT 2023): “Improving Color Mixture Predictions in Ceramics using Data-centric Deep Learning” sowie “Reinforcement Learning to Improve Color Adjustments in the Ceramic Industry”, beide erschienen in den Proceedings der 8. International Conference on Machine Learning Technologies, Stockholm, März 2023 (dl.acm.org).
• Failure case (IAAC 2023–2024): Henry Boy, Ainhoa Arnaiz Lecuona, Andrés Said Rodríguez Ortiz, Oswaldo Veliz: “Predicting Ceramic Underglaze Colors”, IAAC Master in Robotics & Advanced Construction Program, 2023–2024 (blog.iaac.net). Ergebnis: Alle Modellarchitekturen scheiterten an unvollständigen Pigmentdaten.
• Spektrophotometrie für Keramikfliesen: HunterLab: “Exploring How Spectrophotometric Analysis Can Enhance Color Consistency in Ceramic Tile” (hunterlab.com); Konica Minolta Sensing: “How Ceramic Manufacturers Set Color Standards for Raw Material Suppliers” (sensing.konicaminolta.us).
• Energieverbrauch Keramikproduktion: Branchenangaben zu 1,67 MWh/Tonne, 55 % des Energieverbrauchs entfällt auf den Brennprozess; Quelle: Übersichtsstudien zu Energieeffizienz in der Keramikindustrie (Energy Efficiency in the Ceramics Industry Technical Guidelines, China Energy Partnership sowie CORDIS EU-Forschungsprojekte zum Keramik-Ofen-Design, Stand 2024).
• EN ISO-Ausschussgrenze: EN ISO-Normen für Keramikfliesen setzen < 5 % Ausschuss als Qualitätsschwelle; bei Überschreitung von 6 % ist Ursachenforschung vorgeschrieben (dokumentiert in Asian Quality Services Tile Testing Method Guide, asianqualityservices.com).
• Preisangaben Spektrophotometer: Datacolor 800 Einstiegspreis ca. USD 9.999 (sinodevices.com, Stand Mai 2026); Inline-Systeme (Techkon SpectroVision) ab ca. 40.000–80.000 € (techkonusa.com).
• Preisangaben Datacolor Tools Software: Einstiegspaket ca. 3.000–8.000 € einmalig; Herstellerangabe über Distributor (datacolor.com, Stand April 2026).

Du willst wissen, ob eure aktuelle Prozessstabilität ausreicht und wie ein konkreter Pilotplan für euren Betrieb aussieht? Ruf an oder schreib uns — das ist ein 20-Minuten-Gespräch, das dir monatelange Evaluierungsarbeit sparen kann.