Granulatlieferanten automatisiert qualifizieren und bewerten

Das echte Ausmaß des Problems

Drei bis fünf neue Granulatlieferanten qualifizieren Kunststoffverarbeiter typischerweise pro Jahr. Klingt nach wenig. Aber jeder neue Lieferant bringt eine Unsicherheitszone mit: Der erste Wareneingang ist der einzige, der kritisch geprüft wird. Danach verlässt man sich auf das Analysezertifikat.

Das Problem ist nicht, dass Analysezertifikate gefälscht werden. Das Problem ist, dass sie strukturell unvollständig sind.

Ein COA (Certificate of Analysis) dokumentiert Prüfwerte, die der Lieferant an einer Stichprobe der Charge gemessen hat — in der Regel am Ende seiner eigenen Produktion. Diese Momentaufnahme zeigt nicht, wie der Schmelzflussindex über mehrere Chargen driftet. Sie zeigt nicht, ob die Charge zu einem Zeitpunkt geprüft wurde, bevor der Rohstoff getrocknet war. Sie zeigt nicht, ob recycelter Anteil oder Mahlgut die Polymerkettenlänge verändert hat.

Praktiker in Qualitätsforen berichten: Der schlimmste Fall ist nicht eine klar fehlerhafte Lieferung, die sofort auffällt. Der schlimmste Fall ist das schleichende Driften von Chargenparametern — jede Einzellieferung noch im Toleranzband, der Trend aber klar in die falsche Richtung.

In einer Diskussion auf Simple-Quality.de bringt ein erfahrener Qualitätsmanager das Dilemma auf den Punkt: “Materialzertifikate haben eine begrenzte Aussagekraft als Verifikationsmittel — das ist erst sichtbar geworden, als wir einmal ABS-PC statt PA bekommen haben und das nur durch eigene MFI-Messung festgestellt hatten.”

Auf der Systemseite kommt ein weiteres Problem hinzu: Die Qualitätsdaten sind fragmentiert. Wareneingangs-COAs liegen als PDF-Anhänge in Mails. Messwerte aus der eigenen Wareneingangsprüfung stecken in einer anderen Excel-Tabelle. Lieferantenauditergebnisse sind in einem dritten System. Eine laufende Lieferantenbewertung, die diese Quellen zusammenführt, existiert in den meisten Mittelstandsbetrieben nur quartalsweise — und manuell erstellt.

NETZSCH Analyzing & Testing beschreibt in einem Praxisbericht (2024) exakt dieses Szenario: Ein Kunststoffverarbeiter, der Rezyklat von verschiedenen Lieferanten bezieht, hatte Qualitätsdaten über mehrere Excel-Tabellen verteilt. Die Analyse dieser Daten kostete erhebliche Ressourcen — und lieferte keinen Trend, nur Momentaufnahmen. Erst die Einführung einer datenbasierten Plattform mit KI-Unterstützung ermöglichte die automatische Identifikation von Korrelationen zwischen Lieferant, Charge und Qualitätsergebnis.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Reaktionszeitangaben entstammen Praxisberichten und eigenen Einschätzungen basierend auf typischen Mittelstandsbetrieben mit 5–20 aktiven Granulatlieferanten; individuelle Ergebnisse hängen stark von der bestehenden Dateninfrastruktur ab.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Das quantifizierbarste Ergebnis: COA-Erfassung, die bisher täglich 30–60 Minuten im Qualitätsteam bindet, läuft automatisch. Lieferantenaudit-Vorbereitung, die früher zwei Tage manuelle Datensammlung bedeutete, liefert das System in zwei Stunden als fertigen Bericht. Im Vergleich zu anderen Anwendungen in dieser Kategorie — etwa der Rezepturoptimierung — ist der Zeiteffekt hier unmittelbarer messbar und weniger vom Produktionsprozess abhängig.

Kosteneinsparung — mittel (3/5) Einmalige Einrichtung: 15.000–25.000 Euro. Laufend: 300–800 Euro/Monat je nach Tools. Die Einsparung entsteht primär durch vermiedene Defektkosten — abgewendete Fehlchargen-Ereignisse, reduzierte Ausschussquoten, eingesparte Expresslieferungen. Diese Einsparungen sind real, aber schwer ex ante zu belegen. Ein einziges vermiedenes Ereignis wie im Eingangsbeispiel (45.000 Euro) amortisiert die gesamte Einrichtung — das ist aber kein garantiertes Ergebnis, sondern ein mögliches. Wer den ROI nur auf eingesparte Personalzeit rechnet, liegt deutlich konservativer.

Schnelle Umsetzung — niedrig (2/5) Zehn bis sechzehn Wochen bis zum produktiven Betrieb sind realistisch, wenn COA-Datenflüsse aus dem ERP angebunden, Custom-Modelle für die eigenen Lieferanten-COA-Formate trainiert und Spezifikationsgrenzen für alle Materialien digital hinterlegt werden müssen. Das ist kein SaaS-Tool, das man in einer Woche einschaltet. Die ERP-Integration ist die kritische Variable: Wer Wareneingangsdaten bereits strukturiert im System hat, ist schneller. Wer noch auf Papier oder Insellösungen sitzt, muss zuerst dort aufräumen.

ROI-Sicherheit — mittel (3/5) Der ROI ist real, aber bedingt: Er ergibt sich vollständig, wenn ein ernstes Fehlchargen-Ereignis abgewendet wird. Vor diesem Ereignis ist die Einsparung schwer zu isolieren — man kann nicht beweisen, was nicht passiert ist. Der messbarere Teilnutzen (COA-Zeitersparnis, Auditvorbereitungszeit) ist kleiner und amortisiert die Einrichtungskosten langsamer. Mit der Lieferantenbewertung als Verhandlungsgrundlage gegenüber Lieferanten können vereinzelt Preiszugeständnisse erzielt werden — aber das ist kein primärer ROI-Treiber.

Skalierbarkeit — hoch (4/5) Das System wird wertvoller mit jedem neuen Lieferanten und jeder weiteren Charge im Datensatz. Mehr historische Daten ermöglichen präzisere Trenderkennung. Neue Lieferanten können ongeboardet werden, ohne proportionalen Mehraufwand für das Qualitätsteam. Dieser Effekt unterscheidet diese Anwendung von manuellen Bewertungssystemen, die linear mit Lieferantenanzahl skalieren.

Richtwerte — stark abhängig von bestehender Dateninfrastruktur, ERP-System und Anzahl aktiver Granulatlieferanten.

Was das System konkret macht

Das Kernproblem ist kein Wissensproblem, sondern ein Verbindungsproblem: Analysezertifikate, Wareneingangsmessungen, Produktionsausschussdaten und Lieferantenauditergebnisse existieren alle — sie liegen nur in verschiedenen Systemen und werden nie gemeinsam betrachtet.

Ein KI-gestütztes System verbindet diese Quellen in drei Schritten:

Schritt 1: Automatisches COA-Parsing. Lieferanten reichen Analysezertifikate ein — als PDF per E-Mail, über ein Lieferantenportal oder direkt mit der Lieferung. Das System liest die Dokumente automatisch aus, identifiziert Parameter wie MFI, Dichte, Feuchtegehalt, Aschgehalt oder mechanische Kennwerte und überträgt die Werte strukturiert in die Datenbank. Das Besondere: Lieferanten verwenden unterschiedliche Formate, Spaltenbezeichnungen, Abkürzungen und Einheiten. Ein System, das kontextuell versteht, dass “MFR (2,16 kg / 230°C)” dasselbe ist wie “Schmelzfließrate g/10 min @ 230°C” — auch wenn die Layouts völlig unterschiedlich sind — spart dabei erheblich Zeit gegenüber klassischer OCR-Technik, die manuelle Felddefinitionen für jedes Lieferantenformat benötigt.

Schritt 2: Automatischer Soll-Ist-Vergleich. Für jedes Material sind Spezifikationsgrenzen hinterlegt — MFI-Soll 12 g/10 min ± 1,5, Dichte 0,905 g/cm³ ± 0,003. Jeder extrahierte COA-Wert wird automatisch gegen diese Grenzen geprüft. Werte außerhalb des Toleranzbands lösen eine sofortige Warnmeldung aus, bevor das Material die Halle verlässt. Werte knapp innerhalb der Toleranz werden markiert und in die Trendanalyse aufgenommen.

Schritt 3: Trend-Scoring und Lieferantenscorecard. Statt quartalsweise eine manuelle Tabelle zu erstellen, berechnet das System laufend eine Bewertung je Lieferant — basierend auf Spezifikationstreue, Trendstabilität, Liefertreue, Reklamationshistorie und Zertifikatsvollständigkeit. Wenn der MFI-Wert eines Lieferanten über sechs Chargen gleichmäßig nach oben driftet — auch wenn jede Einzelmessung noch grün ist — schlägt das System Alarm. Das ist der Unterschied zwischen COA-Prüfung und COA-Analyse.

Die technische Basis kombiniert Machine Learning für das Dokumentenparsing mit regelbasierter Logik für die Spezifikationsprüfung und statistischen Methoden für die Trenderkennung. Kein Black-Box-System, das unverständliche Signale wirft — sondern transparente Auswertungen, die ein Qualitätsleiter nachvollziehen und erklären kann.

Was die Chargendaten dem System beibringen

Dieser Abschnitt ist spezifisch für Kunststoffverarbeiter relevant, weil das Material den Prozess bestimmt.

Eine COA-Datenbank, die nur Lieferantendaten enthält, ist wertvoll. Eine Datenbank, die Lieferantendaten mit eigenen Wareneingangsmessungen und Produktionsergebnissen verknüpft, ist mächtig.

Konkret bedeutet das: Wenn für jede Charge nicht nur der COA-Wert des Lieferanten, sondern auch das Ergebnis der eigenen MFI-Messung beim Wareneingang und die spätere Ausschussquote dieses Materials in der Produktion erfasst werden, entsteht eine Korrelationsbasis, die systematische Abweichungen zwischen Lieferanten-COA und eigenem Messwert aufdeckt.

Was diese Korrelation zeigt:

• Lieferant A: Eigene MFI-Messung liegt systematisch 0,8 g/10 min über dem COA-Wert — das Material verhält sich beim Verarbeiten anders als das Zertifikat suggeriert
• Lieferant B: Hohe Streuung zwischen COA und eigenem Messwert — möglicherweise Prüfmethodik-Unterschiede oder Chargeninhomogenität
• Lieferant C: COA und eigene Messung decken sich gut — dieser Lieferant ist der zuverlässigste, auch wenn seine Nennwerte nicht immer die engste Spezifikation haben

Diese Erkenntnisse sind für die Qualitätssicherung direkt handlungsleitend: Lieferant A bekommt engere COA-Anforderungen oder eine Verpflichtung zur eigenen Lieferanten-MFI-Messmethode im Lieferantenvertrag. Lieferant C wird als bevorzugter Lieferant eingestuft, auch wenn er bei anderen Kriterien nicht die Bestbewertung hat.

Das System lernt dabei nicht selbstständig — es strukturiert Daten so, dass der Qualitätsleiter Muster erkennen kann, die im Einzelblick nicht sichtbar sind.

REACH-Konformität und SVHC-Screening in der Lieferantenqualifikation

Dieser Abschnitt berührt rechtliche Anforderungen, die je nach Materialzusammensetzung, Verwendungszweck und Abnehmerkette variieren können. Die folgenden Informationen ersetzen keine Rechtsberatung — für produktspezifische Compliance-Fragen sollte ein qualifizierter Fachberater hinzugezogen werden.

Die Qualifikation eines Granulatlieferanten ist nicht nur eine Frage der Verarbeitbarkeit. Es ist auch eine Frage der chemischen Konformität.

Die REACH-Verordnung (EG Nr. 1907/2006) verpflichtet Hersteller und Importeure, besonders besorgniserregende Stoffe (SVHC — Substances of Very High Concern) in Erzeugnissen ab einer Konzentration von 0,1 Prozent (w/w) zu deklarieren und auf Anfrage offenzulegen. Die SVHC-Kandidatenliste der ECHA wird zweimal jährlich aktualisiert — derzeit enthält sie über 230 Stoffe.

Für einen Kunststoffverarbeiter, der Granulat einkauft und daraus Bauteile für Automobilkunden, Medizingeräte oder Konsumgüter herstellt, bedeutet das: Wenn ein Lieferant Granulat mit einem SVHC-Stoff liefert, der seit der letzten Revision auf die Kandidatenliste gesetzt wurde, und du hast das nicht geprüft, bist du als Bauteilhersteller in der Informationspflicht gegenüber deinen Abnehmern.

Was manuelles SVHC-Screening in der Praxis bedeutet: Quartalsweise checken Qualitätsteams in vielen Betrieben manuell, ob neue Einträge auf der ECHA-Kandidatenliste relevant sind. Das ist aufwändig, fehleranfällig bei komplexen Lieferantenportfolios und führt regelmäßig zu Verzögerungen bei der Informationsweitergabe an Kunden.

Was KI-gestützte Systeme leisten können:

• Automatischer Abgleich der deklarierten Substanzen im Granulat-Sicherheitsdatenblatt (SDB) gegen die aktuelle ECHA-SVHC-Kandidatenliste
• Benachrichtigung bei ECHA-Updates, wenn ein deklarierter Stoff neu als SVHC eingestuft wird
• Dokumentierte Bestätigung vom Lieferanten anfordern, dass keine SVHC über 0,1 % im Granulat enthalten sind — mit Datum und Versionsstand der Kandidatenliste

Für dieses spezifische Thema ist Chemwatch ein relevantes Werkzeug: Die Plattform verwaltet Sicherheitsdatenblätter und benachrichtigt automatisch bei regulatorischen Änderungen, die einen Stoff betreffen. Das ersetzt nicht die Eigenverantwortung für die Produktkonformität, reduziert aber erheblich den Rechercheaufwand bei ECHA-Updates.

Praktischer Einbau in die Lieferantenqualifikation:

Ein vollständiges REACH-Screening als Pflichtbestandteil des Lieferanten-Onboardings bedeutet konkret:

1. Lieferant reicht SDB für jedes neue Granulat ein
2. System prüft automatisch alle deklarierten Substanzen gegen SVHC-Kandidatenliste (aktueller Stand)
3. Bei positivem Treffer: manuelle Prüfung durch Qualitätsverantwortliche, ggf. Rückfrage beim Lieferanten
4. Halbjährliche Re-Prüfung aller aktiven Materialien bei ECHA-Update der Kandidatenliste

Dieser Prozess lässt sich in die Lieferantenqualifikations-Workflow-Automatisierung integrieren — entweder direkt in einer spezialisierten Plattform oder als automatisierter Trigger in einem Workflow-Tool wie n8n.

Konkrete Werkzeuge — was wann passt

Es gibt keine Komplettlösung, die COA-Parsing, Spezifikationsprüfung, Trend-Scoring und REACH-Screening in einer Oberfläche abdeckt und dabei für mittelständische Kunststoffverarbeiter wirtschaftlich ist. In der Praxis ist der Ansatz modular.

TraceGains — wenn der Fokus auf COA-Workflow liegt Spezialisierte Plattform für automatisiertes COA-Management. Lieferanten erhalten ein eigenes Portal, COAs werden automatisch geparst und gegen Spezifikationsgrenzen geprüft. Das System versteht verschiedene Lieferantenformate ohne manuelles Mapping. Für Betriebe mit 10+ aktiven Granulatlieferanten und hohem COA-Durchsatz ist das der direkteste Einstieg. Einschränkung: primär für Lebensmittel- und CPG-Industrie entwickelt, für Kunststoff anpassbar. Datenhaltung in den USA — DSGVO-Prüfung erforderlich. Preise auf Anfrage.

Azure Document Intelligence — wenn Flexibilität und EU-Hosting wichtig sind Microsofts Dokumentenverarbeitungs-API ermöglicht den Aufbau einer eigenen COA-Parsing-Pipeline mit Custom-Modell, das auf die eigenen Lieferanten-COA-Formate trainiert wird. EU-Datenhaltung verfügbar (West Europe). Kostenstruktur: 500 Seiten/Monat kostenlos im Free Tier, dann ca. 1,50 USD/1.000 Seiten für OCR oder ca. 30 USD/1.000 Seiten für Custom Form Parser. Erfordert Entwicklerunterstützung für die Integration — kein Out-of-the-Box-Lieferantenportal.

n8n — als Verbindungsschicht Open-Source-Workflow-Automatisierung aus Berlin, selbst hostbar. Verbindet COA-Eingang (E-Mail, Webhook), Azure Document Intelligence (Parsing), ERP (Wareneingangsdaten) und Benachrichtigungssystem in einem visuellen Workflow. Sinnvoll für Teams mit technischem Know-how, die maximale Datenkontrolle wollen ohne US-Cloud-Abhängigkeit. Community Edition kostenlos.

SAP Ariba — für große Betriebe mit SAP-Landschaft Wer SAP S/4HANA betreibt, findet in SAP Ariba ein integriertes Supplier-Quality-Management-Modul. Lieferantenbewertung, Zertifikatsmanagement und Auditplanung in einer Plattform — tief mit dem ERP verwoben. Realitätscheck: SAP Ariba lohnt sich erst ab einem Einkaufsvolumen von deutlich über 50 Mio. Euro jährlich. Für die meisten mittelständischen Kunststoffverarbeiter ist das überdimensioniert.

Chemwatch — für REACH/SVHC-Konformitätsprüfung Für den REACH-Screening-Anteil der Lieferantenqualifikation. Verwaltet Sicherheitsdatenblätter und benachrichtigt automatisch bei regulatorischen Updates, die deklarierte Stoffe betreffen. Nicht auf Kunststoff spezialisiert, aber für Chemikalienmanagement und Substanzkonformität ein relevantes Werkzeug. Einstiegspaket für KMU verfügbar.

Zusammenfassung: Wann welcher Ansatz

• 5–15 Lieferanten, COA-Workflow im Fokus, keine eigene IT-Abteilung → TraceGains (Pilot anfragen, US-Hosting beachten)
• 10+ Lieferanten, EU-Datenhaltung Pflicht, IT-Ressourcen vorhanden → Azure Document Intelligence + n8n als Eigenentwicklung
• SAP-Landschaft, großes Einkaufsvolumen → SAP Ariba mit Quality-Modul
• REACH/SVHC-Monitoring parallel aufbauen → Chemwatch

Datenschutz und Datenhaltung

Im Kontext der Granulatlieferantenqualifikation sind die verarbeiteten Daten primär Materialdaten, Chargenkennzeichen, Messwerte und Lieferantenstammdaten — in der Regel keine personenbezogenen Daten im engeren Sinne. Dennoch entstehen typisch zwei DSGVO-relevante Bereiche:

Lieferantenkontaktdaten: Ansprechpartner beim Lieferanten, E-Mail-Adressen für Benachrichtigungen, Auditbericht-Adressaten — das sind personenbezogene Daten. Wer ein Lieferantenportal nutzt, über das Mitarbeitende des Lieferanten COAs einreichen, verarbeitet personenbezogene Daten und benötigt eine DSGVO-Rechtsgrundlage (meist berechtigtes Interesse oder Vertragserfüllung) sowie einen Auftragsverarbeitungsvertrag (AVV) mit dem Plattformanbieter.

Datenhosting: Azure Document Intelligence (EU-Region verfügbar und empfehlenswert) und n8n (selbst hostbar auf eigenem Server oder EU-Cloud) sind DSGVO-kompatibel gestaltbar. TraceGains (US-Hosting) erfordert eine gesonderte DSGVO-Prüfung und Standardvertragsklauseln. SAP Ariba (EU-Hosting verfügbar) ist bei aktivierter EU-Datenhaltungsklausel DSGVO-konform.

Praxisempfehlung: Für jeden externen Plattformbetreiber, der Lieferanten- oder Materialdaten verarbeitet, vor dem Produktivbetrieb einen AVV anfordern und unterzeichnen. Das ist kein optionaler Formalismus, sondern Pflicht nach Art. 28 DSGVO.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• Auswahl und Setup der COA-Parsing-Lösung: 5.000–10.000 Euro (intern oder externer Dienstleister)
• Spezifikationshinterlegung für alle Materialien: 2–4 Wochen interner Aufwand (Qualitätsteam)
• ERP-Anbindung (Wareneingangsdaten, Lieferantenstammdaten): 5.000–15.000 Euro (je nach ERP-Komplexität)
• Lieferanten-Onboarding und COA-Modell-Training: 2–4 Wochen

Gesamte Einrichtungskosten: 15.000–25.000 Euro — stark abhängig davon, ob ERP-Daten bereits strukturiert vorliegen.

Laufende Kosten (monatlich)

• TraceGains: Preise auf Anfrage; für mittelständische Betriebe erfahrungsgemäß im mittleren dreistelligen bis niedrigen vierstelligen Bereich monatlich
• Azure Document Intelligence: Bei 200 COA-Dokumenten/Monat mit Custom Form Parser ca. 6 USD/Monat — vernachlässigbar
• n8n (Cloud): ab 20 Euro/Monat (Community Edition kostenlos bei Self-Hosting)
• Gesamtbereich: 300–800 Euro/Monat je nach gewählter Plattform

Was du dagegenrechnen kannst — konservatives Szenario

• COA-Erfassung: 30 Min. täglich gespart × 230 Arbeitstage × 35 Euro Stundensatz (inkl. Lohnnebenkosten) = ca. 4.000 Euro/Jahr
• Auditvorbereitungszeit: 4 Audits/Jahr × 1 Tag weniger Vorbereitung × 280 Euro Tagessatz = 1.120 Euro/Jahr
• Summiert: ca. 5.000 Euro/Jahr durch Zeitersparnis

Bei diesem konservativen Szenario amortisiert sich die Einrichtung in 3–5 Jahren durch reine Zeitersparnis. Das ist kein überzeugender ROI.

Der echte Business Case entsteht durch das einzige vermiedene Fehlchargen-Ereignis: In dem Eingangsbeispiel (45.000 Euro Schadensfall) wäre die Einrichtung in einem einzigen Ereignis amortisiert. Das ist kein garantiertes Szenario — aber für Betriebe, die bereits ähnliche Ereignisse erlebt haben, ist es der überzeugendste Grund zur Investition.

Wie du den ROI tatsächlich misst: Führe für jede Warnmeldung des Systems Buch, was die manuelle Reaktion ohne Warnung gekostet hätte. Nach 12 Monaten lässt sich belegen, welche Probleme frühzeitig abgewendet wurden — und was das vergleichsweise gekostet hätte.

Drei typische Einstiegsfehler

1. Mit dem Datenmodell starten, nicht mit dem Problem. Der häufigste Fehler: Man investiert viel Zeit in die Konfiguration einer Plattform — Spezifikationsdatenbank, Lieferantenstruktur, Parameterliste — bevor der erste COA automatisch verarbeitet ist. Das Ergebnis ist ein schön konfiguriertes System, das niemand benutzt, weil der Nutzen noch nicht sichtbar wurde. Empfehlung: Zuerst fünf COAs automatisch parsen lassen und die Ergebnisse manuell prüfen. Wenn das funktioniert, ist die Akzeptanz für die Konfigurationsarbeit da.

2. COA-Prüfung als Lieferantenfreigabe missverstehen. Ein automatisch geprüftes COA ersetzt nicht die fachkundige Bewertung durch den Qualitätsleiter. Das System kann sagen: “MFI-Wert liegt bei 13,4 g/10 min, Toleranzgrenze 13,5 — grün.” Es kann nicht sagen: “Dieser Wert ist drei Chargen in Folge von 12,1 auf 13,4 gestiegen — das ist eine Driftwarnung.” Nur wenn das System beide Informationen kombiniert und der Qualitätsleiter das Signal versteht und handelt, entsteht echter Nutzen. Die Automation ist eine Assistenz, keine Entscheidung.

3. Das System läuft — und dann niemanden, der auf Alarme reagiert. Das ist der gefährlichste Fehler, weil er still passiert. Nach sechs Monaten steht fest: Das System hat 23 Warnmeldungen ausgelöst. Vierzehn wurden ignoriert, weil “keine Zeit” oder “das wird schon stimmen”. Drei davon hätten tatsächlich zu Produktionsausfällen geführt. Wenn niemand Verantwortung für Alarme trägt — eine namentlich benannte Person, die innerhalb von 24 Stunden auf Auffälligkeiten reagiert — ist das System eine Compliance-Übung, kein Qualitätswerkzeug. Vor dem Go-live: Wer prüft Alarme? In welchem Zeitfenster? Was passiert, wenn der Zuständige krank ist?

Was mit der Einführung wirklich passiert — und was nicht

Die technische Einführung ist das Geringste. Die eigentliche Arbeit besteht in zwei Veränderungen, die niemand vorher ankündigt:

Die Lieferantenbeziehung ändert sich. Wenn ein Lieferant plötzlich mit einer Trendanalyse konfrontiert wird, die zeigt, dass sein MFI über sechs Chargen systematisch nach oben driftet — obwohl jedes COA formell korrekt war — entsteht eine neue Gesprächsbasis. Das ist für manche Lieferanten ungewohnt. Einige reagieren konstruktiv und klären die Ursache (Rohstoffwechsel, Mahlgut-Anteil, Trocknungsparameter). Andere reagieren defensiv und stellen die Messmethodik in Frage. In beiden Fällen ist die Lieferantenbeziehung danach qualitativ anders — und das Qualitätsteam ist stärker positioniert als vorher.

Die Qualitätsabteilung verändert ihre Arbeit. Wer bisher COAs manuell abgeheftet und quartalsweise Bewertungen erstellt hat, arbeitet danach mit kontinuierlichen Auswertungen, Alarmen und Trendberichten. Das setzt andere Kompetenzen voraus: Trendinterpretation statt Stichprobenprüfung, proaktive Lieferantenkommunikation statt reaktives Reklamationsmanagement. Nicht alle Qualitätsmitarbeitenden finden das befreiend — manche empfinden den kontinuierlichen Alarm als Belastung. Diese Erwartungen müssen vor dem Rollout besprochen werden.

Was tatsächlich nicht passiert: Das System qualifiziert Lieferanten nicht selbstständig. Es erstellt keine Reklamationsschreiben. Es führt keine Gespräche. Es hat keine Meinung darüber, ob ein Lieferant abgelöst werden sollte. Es schafft Datenbasis — die Entscheidungen trifft weiterhin der Qualitätsleiter.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Lieferanten kennen wir seit 20 Jahren — da brauchen wir kein System.” Stimmt teilweise. Lieferanten, die seit Jahrzehnten zuverlässig liefern, haben eine stabile Verarbeitungshistorie — das ist wertvoll. Aber auch langfristige Lieferanten wechseln Rohstoffquellen, ändern Rezepturen, integrieren Rezyklat-Anteile. Und: Wenn der Lieferant wächst und neue Werke aufmacht, kann die Qualitätskonsistenz variieren. Eine Trendanalyse ist nicht Misstrauen, sondern objektive Datenerfassung — auch gegenüber dem Lieblingslieferanten.

„Das wäre nur etwas für Konzerne, nicht für uns.” Die Werkzeuge sind für Mittelständler zugänglich geworden. Azure Document Intelligence kostet bei einem typischen COA-Volumen von 100 Dokumenten pro Monat weniger als 50 Euro monatlich. n8n läuft kostenlos auf einem eigenen Server. Der Bottleneck ist nicht das Budget, sondern die Konfigurationsarbeit — die ist unabhängig von der Unternehmensgröße ähnlich aufwändig. Für Betriebe unter einem bestimmten Lieferantenvolumen lohnt sich die Investition tatsächlich nicht — aber das ist keine Frage der Unternehmensgröße, sondern des Lieferantenportfolios.

„Wir prüfen das Material ja selbst beim Wareneingang.” Sehr gut — das ist die wichtigste Ergänzung zu einem COA-System. Eigene Wareneingangsmessungen und Lieferanten-COA in einem System zu verbinden ist genau die Kombination, die Korrelationsanalysen ermöglicht. Das manuelle System und das automatisierte schließen sich nicht aus; das automatisierte macht die manuelle Messung erst wirklich aussagekräftig, weil es historische Trends sichtbar macht.

Woran du merkst, dass das zu dir passt

• Du qualifizierst 2–5 neue Granulatlieferanten pro Jahr und hast kein systematisches Tracking, wie sich ihre Chargenqualität über die Zeit entwickelt
• Du hast schon einmal einen Produktionsfehler auf ein Material zurückgeführt, der sich über mehrere Chargen aufgebaut hatte — und das erst im Nachhinein rekonstruiert
• Dein Qualitätsteam verbringt mehr als eine Stunde täglich mit dem Öffnen, Lesen und Ablegen von Analysezertifikaten
• Du bereitest Lieferantenaudits aus dem Gedächtnis vor, weil belastbare historische Daten schwer zusammenzubekommen sind
• Du hast mehr als 5 aktive Granulatlieferanten mit unterschiedlichen Materialspezifikationen

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

1. Weniger als 5 aktive Granulatlieferanten mit stabilen, langjährigen Beziehungen. Wenn du seit 15 Jahren mit denselben zwei Hauptlieferanten arbeitest, deren Material du in- und auswendig kennst, und keine neuen Qualifikationen laufen, ist der Setup-Aufwand nicht gerechtfertigt. Dann reicht ein strukturiertes Excel-Lieferantenbewertungsblatt — das aktuell zu halten kostet weniger als ein System einzurichten.

2. Keine strukturierten Wareneingangsdaten im ERP. Wenn Wareneingangs-COAs als PDF-Anhänge in Outlook-Mails leben und Messwerte in einer Excel-Datei auf dem Netzwerklaufwerk, fehlt die Datenbasis für Trendanalysen. Zuerst muss ein strukturierter Datenfluss aufgebaut werden — das ist kein KI-Projekt, sondern ein Prozessdigitalisierungsprojekt. Der KI-Schritt kommt danach.

3. Kein Qualitätsverantwortlicher, der Alarme aktiv bearbeitet. Ein System, das Auffälligkeiten meldet, aber niemanden hat, der darauf reagiert, ist gefährlicher als kein System — es erzeugt das Gefühl, dass etwas überwacht wird, ohne dass es tatsächlich jemand tut. Wenn die Qualitätsverantwortung an eine Person delegiert ist, die das System nebenbei betreibt, ist das Risiko hoch, dass Alarme in der täglichen Arbeit untergehen.

Das kannst du heute noch tun

Lade drei COAs deiner wichtigsten Granulatlieferanten herunter — PDF, wie du sie normalerweise bekommst. Öffne Claude oder ChatGPT und lade alle drei Dokumente hoch. Frag das System, die Schlüsselwerte (MFI, Dichte, Feuchtigkeit) in einer vergleichbaren Tabelle darzustellen und Abweichungen zwischen den Lieferanten zu kommentieren.

Das dauert 15 Minuten. Was du danach weißt: ob die KI die verschiedenen COA-Formate zuverlässig lesen kann, wie groß die tatsächliche Parameterstreuung zwischen deinen Lieferanten ist — und ob eine strukturierte Analyse Muster zeigt, die du bisher nicht systematisch betrachtet hast.

Für den automatisierten Produktiveinsatz brauchst du einen anderen Ansatz. Hier ist ein Prompt, der als Grundlage für eine COA-Analyse dienen kann:

Quellen & Methodik

• NETZSCH Analyzing & Testing (2024): Praxisbericht “AI in the Laboratory: Optimized Data Analysis and Quality Control of Plastic Recyclates” — beschreibt Kunststoffverarbeiter mit fragmentierten Qualitätsdaten in Excel-Tabellen und den Übergang zu einer datenbasierten Plattform mit KI-Unterstützung. Veröffentlicht auf analyzing-testing.netzsch.com (2024); zitiert auch in CompositesWorld.
• TraceGains (2024): Artikel “AI vs. Supplier COA Formats: Why Manual Zoning is a Thing of the Past” — detaillierte Analyse der Grenzen traditioneller OCR für COA-Dokumente und der IDP-Methodik. tracegains.com/blog/ai-vs-supplier-coa-formats/
• Simple-Quality.de / IndustryArena (Praxisforum): Thread “Wareneingang / Granulatprüfung” — Practitioner-Diskussion zur begrenzten Aussagekraft von Materialzertifikaten; konkrete Beispiele für Materialtausch (ABS-PC statt PA), der nur durch eigene MFI-Messung aufgedeckt wurde.
• Madearia.com: “7 mögliche Gründe für hohe MFI-Werte bei Kunststoffen” — strukturierte Übersicht zu Ursachen von MFI-Abweichungen inkl. recyceltem Anteil, Feuchtegehalt und Wärmebelastung (2024).
• Intertek / TÜV SÜD (REACH/SVHC): Aktuelle Informationen zu SVHC-Tests und Screening nach REACH-Verordnung; ECHA-Kandidatenliste mit Stand aktuell über 230 SVHC-Stoffen (echa.europa.eu, fortlaufend aktualisiert).
• Docxellent (2024): “Quality Management Software Pricing Guide” — Preisrahmen für QMS-Software: 15.000–50.000 USD/Jahr für umfassende Systeme; inkl. Kostenstruktur für Einrichtung, Lizenz und Wartung.
• Preisangaben Azure Document Intelligence: Microsoft Azure-Preisliste (Stand April 2026): Free Tier 500 Seiten/Monat; OCR ca. 1,50 USD/1.000 Seiten; Custom Form Parser ca. 30 USD/1.000 Seiten.
• Einrichtungs- und ROI-Schätzungen: Eigene Einschätzungen basierend auf typischen Mittelstandsprojekten in der Kunststoffverarbeitung mit 5–25 Lieferanten; keine repräsentative Studie.

Du willst wissen, ob euer Lieferantenportfolio und eure Dateninfrastruktur reif für diesen Ansatz sind — und was der erste konkrete Schritt aussehen sollte? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.